“SINDy”的版本间的差异
跳到导航
跳到搜索
（建立内容为“{{#seo: |keywords=非线性动力学,稀疏回归 |description=本文系统讲解了SINDy方法的原理和算法应用。}} 非线性动力学的稀疏识别（S…”的新页面） |
|||
| 第2行： | 第2行： | ||
|keywords=非线性动力学,稀疏回归 | |keywords=非线性动力学,稀疏回归 | ||
|description=本文系统讲解了SINDy方法的原理和算法应用。}} | |description=本文系统讲解了SINDy方法的原理和算法应用。}} | ||
| − | + | 非线性动力学的稀疏识别<ref name=brunton_2016>S. L. Brunton, J. L. Proctor, and J. N. Kutz, Discovering governing equations from data by sparse identification of nonlinear dynamical systems, Proc. Natl. Acad. Sci. USA, 113 (2016), pp. 3932--3937.</ref>（Sparse Identification of Nonlinear Dynamics， SINDy）是一种用稀疏回归从观测数据中“发现”驱动动力学的少量关键项与系数，从而在高维候选函数空间中得到简洁且具物理解释性的模型，避免过拟合并便于理解系统的本质机制；使用场景包括需要在缺乏明确力学方程时从数据中推断动力学的情形，如非线性振荡、混沌系统、流体涡街、带参数的分支与强外部强迫的场景，以及高维系统在低维子空间的近似描述，甚至可通过时间延迟坐标或降维方法应用于偏微分方程和复杂物理/工程系统的建模与预测。 | |
=算法流程= | =算法流程= | ||
=应用案例= | =应用案例= | ||
| + | |||
| + | =参考文献= | ||
| + | |||
| + | <references /> | ||
2025年11月19日 (三) 09:38的版本
非线性动力学的稀疏识别[1]（Sparse Identification of Nonlinear Dynamics， SINDy）是一种用稀疏回归从观测数据中“发现”驱动动力学的少量关键项与系数，从而在高维候选函数空间中得到简洁且具物理解释性的模型，避免过拟合并便于理解系统的本质机制；使用场景包括需要在缺乏明确力学方程时从数据中推断动力学的情形，如非线性振荡、混沌系统、流体涡街、带参数的分支与强外部强迫的场景，以及高维系统在低维子空间的近似描述，甚至可通过时间延迟坐标或降维方法应用于偏微分方程和复杂物理/工程系统的建模与预测。
算法流程
应用案例
参考文献
- ↑ S. L. Brunton, J. L. Proctor, and J. N. Kutz, Discovering governing equations from data by sparse identification of nonlinear dynamical systems, Proc. Natl. Acad. Sci. USA, 113 (2016), pp. 3932--3937.