基于混合主动学习 (HAL) 的无模型采样方法估计吸引域
机器学习
2022-05-12 v3 混沌动力学
机器学习
摘要
理解吸引域 (BoA) 通常是非线性系统的首要考量。大多数现有确定高分辨率 BoA 的方法需要系统动力学模型的先验知识（例如连续系统的微分方程或点映射、离散系统的胞映射等），从而可推导近似解析解或在多核计算机上并行计算以高效寻找 BoA。然而，当 BoA 必须通过实验确定或系统模型未知时，这些方法通常不可行。本文引入一种针对 BoA 的无模型采样方法。所提方法基于混合主动学习 (HAL)，旨在寻找并标注“信息丰富”的样本，从而高效确定 BoA 边界。它包含三个主要部分：1) 轨迹上的附加采样 (AST)，以最大化每次仿真或实验获得的样本数；2) 主动学习 (AL) 算法，以利用 BoA 的局部边界；3) 基于密度的采样 (DBS) 方法，以探索 BoA 的全局边界。给出了一个双稳态非线性系统 BoA 估计的示例，以展示我们 HAL 采样方法的高效性。
引用
@article{arxiv.2003.10976,
title = {A Model-Free Sampling Method for Estimating Basins of Attraction Using Hybrid Active Learning (HAL)},
author = {Xue-She Wang and Samuel A. Moore and James D. Turner and Brian P. Mann},
journal= {arXiv preprint arXiv:2003.10976},
year = {2022}
}
备注
Update: 1) add time trajectory of additional sampling