Sindy
PulseAugur coverage of Sindy — every cluster mentioning Sindy across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
教程介绍SINDy用于工程方程恢复
一篇新的教程论文介绍了用于工程应用的非线性动力学稀疏识别（SINDy）方法。SINDy通过从更小的数据集中恢复可解释的控制方程，解决了传统代理建模技术（如神经网络）的局限性。该论文详细介绍了SINDy的扩展，并提供了关于识别无人机系统动力学和混沌热虹吸换热器系统动力学的案例研究。
-
新的SINDy方法从嘈杂、多保真度数据中发现动力学系统
研究人员开发了一种名为Multi-Fidelity SINDy的新方法，用于从具有不同噪声和保真度级别的数据中发现非线性动力学系统。该方法通过结合Ensemble SINDy和Weak SINDy以及源自广义最小二乘法的加权回归，扩展了现有的非线性动力学系统稀疏识别（SINDy）框架。该方法已在包括常微分方程和偏微分方程在内的基准系统上得到验证，并证明了其在预测双摆系统动力学方面的有效性。研究结果表明，这种多保真度集成可以通过减轻异方…
-
新的主动学习方法用超低数据发现动力学
研究人员开发了一种新的主动学习策略，用于发现复杂动力学系统的控制方程，特别是在数据稀缺的情况下。该方法建立在非线性动力学稀疏识别（SINDy）及其集成扩展（E-SINDy）的基础上，优先在信息最丰富的区域进行采样，以更有效地识别模型。与随机采样相比，该方法在仅使用少量数据样本的情况下，已成功准确地识别了常微分方程和偏微分方程的动力学。
-
新AI框架无需领域专业知识即可学习系统动力学
研究人员开发了LeARN，一个用于系统辨识的新框架，它使用机器学习来发现动力学系统的数学模型。与SINDy等先前方法不同，LeARN直接从数据中学习所需的基函数，消除了对领域特定专业知识的需求。该框架采用元学习和深度神经网络来适应这些基函数，使其能够有效处理不同的噪声条件和新的动力学模式。LeARN在Neural Fly数据集上表现出竞争力，标志着朝着更自主地发现复杂系统原理迈出了一步。
-
新AI方法发现动力学系统方程
研究人员开发了一种新颖的数据驱动方法来发现动力学系统的控制方程。该方法利用复值乘积单元网络，直接从数据中学习相关的复数单项式，无需预定义的函数库。该方法在恢复混沌基准系统的方程方面表现出高精度，并在分析真实世界人类步态数据方面显示出潜力。