基于残余多峰适应性采样的随机动态系统的一些射击识别方法

科学领域:

• 动态系统和控制理论.
• 机器学习和人工智能的人工智能
• 计算建模 计算建模

背景情况:

• 神经网络是强大的数据驱动模型,但需要大量的数据,导致高收集成本.
• 准确识别随机动态系统对于理解复杂现象至关重要.
• 现有的采样算法通常需要许多数据点和超参数调整.

研究的目的:

• 开发一种新的采样算法,以减少神经网络基于系统识别的数据需求.
• 提高模拟随机动态系统的准确性和效率.
• 为有限数据的系统引入几次射击识别 (FSI) 方法.

主要方法:

• 提出了一种基于残余的多峰适应性采样 (RMAS) 算法,这是一种适应性采样的新方法.
• 整合了RMAS算法与神经网络,创建了几次射击识别 (FSI) 方法.
• 应用了FSI方法来确定植被生物质变化模型和雷利-范德波尔冲击振动模型.

主要成果:

• 与具有相同样本大小的经典方法相比,RMAS算法显著减少了76%的系统识别错误.
• 拟议的FSI方法在预测系统行为方面达到很高的准确性,预测误差低于1.59×10-2.
• 在不需要任何超参数的情况下,RMAS算法展示了卓越的性能.

结论:

• RMAS算法有效地降低了数据收集成本,并提高了随机动态系统的系统识别精度.
• FSI方法提供了一个强大而高效的解决方案,用于模拟具有有限数据的复杂系统.
• 这项工作通过解决数据稀缺性挑战,推动了神经网络在科学建模中的应用.