返回
LEARNING INVERSE MAPS FOR PARAMETER ESTIMATION IN DYNAMICAL SYSTEMS
DOI:10.1615/JMachLearnModelComput.2026063289.png)
摘要
En 中文
我们研究了有限时间、部分观测轨迹下的动态系统参数估计问题。与在给定模型结构内校准参数不同,我们将参数估计表述为针对参数-观测算子的反问题,并利用深度神经网络直接从数据中学习其逆映射。在适当的可辨识性假设下,该逆映射是良好定义且连续的,因此适合用神经网络进行逼近。我们讨论了反问题的可辨识性、稳定性和噪声敏感性,并提供了一种简单的误差分解方法,将逼近误差与噪声放大分离。对线性、非线性、非自治、部分观测、含噪声及混沌系统的数值实验表明能够准确恢复参数。对于混沌系统,其恢复效果通过不变动态量的吻合而非逐点轨迹的一致性进行验证。
Keyword:
deep neural networks
inverse problem
parameter estimation
期刊
J
IF:
0
论文数:
8
被引数:
0
机构
引用论文
B-PINNs: Bayesian physics-informed neural networks for forward and inverse PDE problems with noisy dataB-pinns: 贝叶斯物理通知神经网络,用于带噪声数据的正向和反向PDE问题

