流数据驱动的多层非线性动力学网络重构
现实世界中许多复杂的非线性动力学系统需要用多层网络来描述.如何从观测到的流数据中揭示多层非线性动力学网络结构的重构问题是对动力学系统研究的核心问题之一.虽然学者们提出了许多从静态数据中重构多层动力学网络结构的方法,但是它们很难从流数据中重构多层网络结构.由于该问题的困难性,截止目前,还没有适用于流数据的多层非线性动力学网络重构模型及其优化算法.针对此,本文提出流数据驱动的多层动力学网络重构框架,称为OMNR(online multilayer network reconstruction).OMNR首先建立了流数据驱动的在线多层非线性动力学网络重构模型,然后提出一种基于FTRL(follow-the-regularized-leader)的在线学习方法来优化该模型.OMNR每次只考虑一个事例来更新网络结构,非常适合处理流数据.而且,OMNR空间复杂度非常低,适合大数据任务.最后,在多层网络的Lorenz和R?ssler动力学系统上验证了OMNR可以有效地解决流数据驱动的多层动力学网络重构问题,填补了流数据驱动的多层非线性动力学网络重构技术的空白.
网络重构、非线性动力学、在线学习、多层网络、数据流
52
TP391;TN915;O491.5
科技部科技创新新一代人工智能重大项目;国家自然科学基金
2022-08-29(万方平台首次上网日期,不代表论文的发表时间)
共12页
971-982