論文の概要: A method for identifying causality in the response of nonlinear dynamical systems
- arxiv url: http://arxiv.org/abs/2409.17872v1
- Date: Thu, 26 Sep 2024 14:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-28 17:47:25.954837
- Title: A method for identifying causality in the response of nonlinear dynamical systems
- Title（参考訳）: 非線形力学系の応答における因果関係の同定法
- Authors: Joseph Massingham, Ole Nielsen, Tore Butlin,
- Abstract要約: データ駆動モデルを構築するには、システムの入力と出力を実験的に測定する必要がある。
モデル内の不正確さがエラーやノイズのモデル化に起因するかどうかを判断することは困難である。
本稿では,入力出力データの因果成分を,出力雑音の存在下でのシステム計測から同定する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the response of nonlinear dynamical systems subject to random, broadband excitation is important across a range of scientific disciplines, such as structural dynamics and neuroscience. Building data-driven models requires experimental measurements of the system input and output, but it can be difficult to determine whether inaccuracies in the model stem from modelling errors or noise. This paper presents a novel method to identify the causal component of the input-output data from measurements of a system in the presence of output noise, as a function of frequency, without needing a high fidelity model. An output prediction, calculated using an available model, is optimally combined with noisy measurements of the output to predict the input to the system. The parameters of the algorithm balance the two output signals and are utilised to calculate a nonlinear coherence metric as a measure of causality. This method is applicable to a broad class of nonlinear dynamical systems. There are currently no solutions to this problem in the absence of a complete benchmark model.
- Abstract（参考訳）: ランダムなブロードバンド励起を受ける非線形力学系の応答を予測することは、構造力学や神経科学など、様々な科学分野において重要である。
データ駆動モデルを構築するには、システム入力と出力の実験的測定が必要であるが、モデル内の不正確さがエラーやノイズのモデル化に起因するかどうかを判断することは困難である。
本稿では,入力出力データの因果成分を高忠実度モデルを必要としない周波数関数として,出力雑音の存在下でのシステム計測から同定する手法を提案する。
利用可能なモデルを用いて算出された出力予測を、出力のノイズ測定と最適に組み合わせてシステムへの入力を予測する。
アルゴリズムのパラメータは2つの出力信号のバランスをとり、因果関係の尺度として非線形コヒーレンス計量を計算するために利用される。
この方法は、幅広い非線形力学系のクラスに適用できる。
完全なベンチマークモデルがない現在、この問題に対する解決策はない。
関連論文リスト
- Deep Generative Modeling for Identification of Noisy, Non-Stationary Dynamical Systems [3.1484174280822845]
非線形・雑音・非自律力学系に対する擬似常微分方程式(ODE)モデルを求めることに集中する。
提案手法は,SINDyとSINDy(非線形力学のスパース同定)を結合し,スパースODEの時間変化係数をモデル化する。
論文 参考訳（メタデータ） (2024-10-02T23:00:00Z) - Probabilistic Decomposed Linear Dynamical Systems for Robust Discovery of Latent Neural Dynamics [5.841659874892801]
時間変化線形状態空間モデルは、ニューラルネットワークの数学的解釈可能な表現を得るための強力なツールである。
潜在変数推定のための既存の手法は、動的ノイズやシステムの非線形性に対して堅牢ではない。
本稿では,動的雑音に対するロバスト性を改善するために,分解モデルにおける潜在変数推定に対する確率的アプローチを提案する。
論文 参考訳（メタデータ） (2024-08-29T18:58:39Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics
with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。
提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文 参考訳（メタデータ） (2022-10-14T20:37:36Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Linear embedding of nonlinear dynamical systems and prospects for
efficient quantum algorithms [74.17312533172291]
有限非線形力学系を無限線型力学系(埋め込み)にマッピングする方法を述べる。
次に、有限線型系 (truncation) による結果の無限線型系を近似するアプローチを検討する。
論文 参考訳（メタデータ） (2020-12-12T00:01:10Z) - Online system identification in a Duffing oscillator by free energy
minimisation [7.1577508803778045]
オンラインシステム識別は、動的システムのパラメータを推定するために用いられる。
提案手法は、最先端非線形モデルにおいて、オフライン予測誤差の最小化と同様に動作する。
論文 参考訳（メタデータ） (2020-09-02T06:51:56Z) - Uncertainty Quantification of Locally Nonlinear Dynamical Systems using
Neural Networks [0.0]
構造工学において、しばしば線形構造は、その中に不確実性が存在する空間的に局所的な非線形性を含む。
不確実性定量化のためのサンプリングベース手法を用いた標準非線形解法は,計算コストを著しく高める。
本稿では,科学機械学習コミュニティで最近普及している汎用関数近似ツールであるニューラルネットワークを用いて,擬似力を推定する。
論文 参考訳（メタデータ） (2020-08-11T09:30:47Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。