论文笔记：Discovering governing equations from data by sparse identification of nonlinear dynamical syste

文献信息

Autor：Steven L. Bruntona,1, Joshua L. Proctorb, and J. Nathan Kutzc
From：PANS
Date：2016.4.12 IF：9.412/10.26 分区：Q1被引：344(截至2020.8.18)

研究内容

本篇论文是上一篇文献的参考文献，相同的作者，本文主要介绍了上文中提到的SINDY结构。SINDY结构主要是针对于拥有观测数据，但控制方程未知的动力学系统。利用稀疏识别的方式，从含噪声的数据中识别动力学系统的控制方程。其得到的模型较为简单，平衡了模型的复杂性和描述能力，同时避免过拟合。

结构原理

整个结构的原理图如Fig.1所示。对于一个未知控制方程的动力学系统。概述性的介绍其原理如下：
对于一个系统，我们认为观测数据X可以由一个函数基库Θ中的不同的基进行线性组合构成，然后每个基前有对应的系数ξk代表了每个基对于观测数据X的贡献。且控制方程中仅有少数的项组成，即控制方程在可能的函数空间(某些坐标系(变换域)中)是稀疏的。然后通过选择适当的坐标系和构造适当的稀疏函数基，并采用稀疏回归的方法，计算出最佳的稀疏系数矩阵（平衡了准确性和稀疏性）。

下面对于其实现的步骤进行详细说明：
Step1：数据收集。通过系统进行数据的收集，形成两个如下式所示的数据矩阵。其一是不同时刻下的观测数据，其中每一行代表同一时刻的观测值，每一列代表同一元素不同时刻的观测值。如原理图Fig.1中的[x,y,z]。其二是测量值的导数值，或者其数值逼近。与X矩阵一样，行代表同一时刻的观测值，列代表同一元素不同时刻的观测值。

Step2：构造稀疏函数基库。对于准确的识别出控制方程，适当的坐标系和函数基库是至关重要的。坐标系即变换域，须保证控制方程在这个域上是稀疏的，否则识别效果十分不好。之后就是适当的函数基库，这个的选择在实际中一般会对于系统的行为有一定的先验了解，可大致知道其满足的形式，如应该使用多项式基还是三角函数基还是二者的组合等。如下是一个稀疏函数基库：

其中每一列就是一个函数基，然后每一行代表的不同时刻这个基的取值，所以这是一个数值矩阵（重点，与之后提及的区分开）。上式中的基库是由常数基，多项式基和三角函数基构成的。其中某一项展开如下，XP2表示2次的多项式基，如下：

Step3：稀疏系数计算。Step2中的Θ(X)中的每一列便是控制方程中的一个候选函数项，但由于是稀疏的，所以仅有少数的候选项可被选择。即稀疏系数的计算。如下数学表示：
一旦稀疏集 Ξ =[ξ1 ξ2 ⋯ ξn] 确定，其中每一行便是如下的表示，这个里面的Θ(X^T)为对应的函数基如x，xy，sin(x)之类。
因此：

注：对于稀疏系数的识别就是类似于压缩感知的重构算法中的算法。

实验结果

实验及其结果易于理解，不再赘述。
建议同时阅读文章对应附件~