[论文解读] Model reconstruction of nonlinear dynamical systems driven by noise

Vadim Smelyanskiy, Doǧan A. Timuçin+2 more|ArXiv.org|Oct 14, 2003

Advanced Control Systems Optimization参考文献 1被引用 8

一句话总结

本文提出了一种贝叶斯推断技术，用于从时间序列数据中重建非线性、噪声驱动的动力系统，而无需进行大量数值优化。通过使用基于路径积分的似然函数，该方法能够实现对噪声引起的误差的最优补偿，并成功从非侵入性血压信号中推断出心肺相互作用中的耦合强度、方向性和噪声强度。

ABSTRACT

An efficient technique is introduced for model inference of complex nonlinear dynamical systems driven by noise. The technique does not require extensive global optimization, provides optimal compensation for noise-induced errors and is robust in a broad range %of parameters of dynamical models. It is applied to clinically measured blood pressure signal for the simultaneous inference of the strength, directionality, and the noise intensities in the nonlinear interaction between the cardiac and respiratory oscillations.

研究动机与目标

• 开发一种高效、无需优化的参数推断方法，用于从含噪声的时间序列数据中推断随机非线性动力系统的参数。
• 解决在同时存在测量噪声和内在噪声的系统中，准确估计隐藏耦合系数和噪声强度的挑战。
• 为第一性原理模型不可用或不完整的复杂系统提供一种鲁棒的模型重建框架。
• 在真实临床数据上展示该方法的有效性，特别是人类心肺相互作用的案例。
• 实现在非线性多组分动力系统中，同时推断耦合强度、方向性和噪声水平。

提出的方法

• 将动力系统表述为带有非线性漂移项 f(x) 的随机微分方程，其中系数 c 通过基函数 U(x) 线性参数化。
• 将噪声过程参数化为加法、平稳、高斯白噪声，其协方差矩阵 D 为对称矩阵。
• 采用贝叶斯推断，使用基于随机轨迹路径积分推导出的似然函数，确保对噪声的最优补偿。
• 将似然函数表示为测量误差的高斯概率密度函数的乘积，假设噪声为不相关、零均值且方差为 ε²。
• 采用递归贝叶斯更新方案，使前一数据块的后验分布成为下一数据块的先验分布，从而实现在线推断。
• 使用来自随机洛伦兹系统的合成数据在广泛模型参数范围内验证该方法的鲁棒性。

实验结果

研究问题

• RQ1 能否开发一种贝叶斯推断方法，在避免大量数值优化的同时，准确重建非线性、噪声驱动的动力系统？
• RQ2 在同时存在内在噪声和测量噪声的系统中，如何对参数估计中的噪声诱导误差实现最优补偿？
• RQ3 在非线性相互作用系统（例如心脏和呼吸振荡器）中，从非侵入性时间序列数据中能多大程度上推断出耦合强度和方向性？
• RQ4 该推断方法在包括混沌和强非线性系统在内的多种动力学区域中表现如何？
• RQ5 该方法能否成功地从真实临床血压信号中重建出具有生理意义的心肺相互作用模型？

主要发现

• 该方法成功地从非侵入性测量的血压信号中重建了心肺相互作用的非线性模型，推断出的时间序列与原始振荡高度吻合。
• 心脏振荡的推断参数显示强耦合：b₁₁₂ = 3.9，b₁₂₂ = 0.62，b₁₃₂ = -13.4，且噪声强度 D₂₂ = 4.75，表明呼吸对心率有显著影响。
• 心脏振荡的耦合强度比呼吸振荡高出两个数量级，证实了呼吸在调节心率中的主导作用。
• 通过与实际数据的视觉和定量比较，该方法在重建极限环和功率谱方面表现出高保真度。
• 通过使用随机洛伦兹系统的合成数据在广泛参数范围内验证了方法的鲁棒性，表明其在混沌区域也具有可靠性。
• 该技术可在无需全局优化或对系统完整结构先验知识的情况下，同时推断耦合强度、方向性和噪声强度。