从噪声数据中发现可解释的常微分方程

摘要

数据驱动的可解释模型发现方法在过去十年中备受关注。现有方法通常采用预定义的函数形式或基函数,导致模型缺乏物理意义和可解释性,且难以反映系统真实物理特性。本文提出一种无监督参数估计方法:首先基于齐次线性常系数常微分方程(ODE)的解析解形式假设近似通解,再通过样条变换线性估计ODE的系数。该方法能从噪声数据中生成高保真平滑函数形式,并利用样条近似从函数形式中提取线性独立的梯度信息构建梯度矩阵,进而通过线性系统求解ODE系数。案例研究表明,该方法无需正则化即可高精度发现稀疏ODE,且对噪声数据具有强鲁棒性,适用于真实实验环境下的物理现象数据驱动学习。

关键内容

  1. 方法框架

    • 假设近似通解形式与齐次线性常系数ODE的解析解一致。
    • 通过样条变换将梯度信息转化为线性独立的基向量,构建梯度矩阵。
    • 利用线性系统直接求解ODE系数,避免迭代优化。
  2. 技术优势

    • 抗噪性:样条平滑处理可有效抑制噪声干扰。
    • 稀疏性:自动生成稀疏系数,无需额外正则化。
    • 可解释性:所得ODE具有明确物理意义,符合真实系统动力学。
  3. 实验验证

    • 20页论文包含11幅图表与7个案例,验证方法在复杂噪声环境下的有效性。

应用场景

适用于计算物理、工程系统建模等领域,尤其适合实验数据存在噪声时的动力学规律挖掘。

更多精彩内容 请关注我的个人公众号 公众号(办公AI智能小助手)

公众号二维码

相关推荐
山烛4 小时前
矿物分类系统开发笔记(一):数据预处理
人工智能·python·机器学习·矿物分类
拾零吖4 小时前
吴恩达 Machine Learning(Class 3)
人工智能·机器学习
MaxCode-15 小时前
【机器学习 / 深度学习】基础教程
人工智能·深度学习·机器学习
wjt1020205 小时前
机器学习--续
算法·机器学习
.银河系.6 小时前
819 机器学习-决策树2
人工智能·决策树·机器学习
天天进步201512 小时前
Python机器学习入门:用scikit-learn构建你的第一个预测模型
python·机器学习·scikit-learn
手握风云-14 小时前
回溯剪枝的 “减法艺术”:化解超时危机的 “救命稻草”(一)
算法·机器学习·剪枝
辞--忧15 小时前
集成学习:从原理到实战,一文掌握 Bagging、Boosting 与 Stacking
机器学习·集成学习·boosting
小五12715 小时前
机器学习聚类算法
算法·机器学习·聚类
Wah-Aug15 小时前
深入浅出集成学习:从理论到实战,解锁机器学习 “集体智慧”
人工智能·机器学习·集成学习