CEBoosting：基于因果熵提升的具有机制切换动力系统的在线稀疏辨识

机制切换在具有多尺度特征、混沌行为和极端事件的许多复杂动力系统中无处不在。本文发展了一种因果熵提升(CEBoosting)策略，通过在线模型辨识来促进机制切换的检测及与新机制相关动力学的发现。可高效计算的因果熵为预定库中的每个候选函数提供逻辑值。针对当前机制校准的模型中一个或多个此类因果熵指标的逆转意味着机制切换的检测。尽管由序列数据形成的每批长度很短，但对应于一批数据序列的因果熵累积值产生了鲁棒指标。利用检测到的模型结构修正，后续参数估计成为二次优化问题，使用闭式解析公式求解。使用 Lorenz 96 模型表明，因果熵指标可高效计算，且该方法适用于中等大维系统。CEBoosting 算法也适应部分观测情形。通过一个随机参数化模型表明，CEBoosting 策略可与数据同化结合以辨识由未观测潜在过程触发的机制切换。此外，CEBoosting 方法应用于地形平均流相互作用的非线性范式模型，展示了在强间歇与极端事件存在下的机制切换在线检测。