PulseAugur
中
实时 08:57:00
English(EN) Identifying parameter couplings and uncertainties of mixed-noise stochastic systems via full-covariance Gaussian mixture network

新型神经网络估算复杂随机系统中的参数

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 PENN-GMD，这是一种用于复杂随机系统参数估算的新型神经网络。该方法将观测到的轨迹映射到高斯混合分布 (GMD)，该分布使用全协方差矩阵来捕捉参数耦合和多模态似然。PENN-GMD 已在包括分数高斯噪声和 Lévy 噪声系统在内的各种示例中得到验证，证明了其准确恢复似然分布和识别不可识别性问题的能力。 AI

影响 该方法为传统方法不足的复杂系统中的不确定性感知参数识别提供了一种新工具。

排序理由 该条目是一篇学术论文，详细介绍了一种用于随机系统参数估算的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型神经网络估算复杂随机系统中的参数

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Xiaolong Wang, Xiangwen Hao, Jing Feng, Yuanyuan Liu, Yong Xu ·

    通过全协方差高斯混合网络识别混合噪声随机系统的参数耦合与不确定性

    arXiv:2608.15198v1 Announce Type: new Abstract: Parameter identification of stochastic dynamical systems driven by mixed noises is challenging due to intractable likelihood functions. We propose PENN-GMD, a parameter estimation neural network that maps partially observed trajecto…

相关话题