复杂双曲网络的模型降阶
最优化与控制
2016-08-22 v1 动力系统
摘要
我们最近引入了用于联合状态和参数降阶的联合 Gram 矩阵 [C. Himpe 和 M. Ohlberger. Cross-Gramian Based Combined State and Parameter Reduction for Large-Scale Control Systems. arXiv:1302.0634, 2013]，本文将其应用于降阶一个建模双曲网络的参数化线性时变控制系统。该降阶涵盖了底层控制系统的节点维度和参数。具有双曲结构的网络作为大规模系统模型有许多应用，一个突出的例子是大脑，通常假设其不同区域具有网络结构以模拟信息传播。具有许多节点且连接性被参数化、不确定甚至未知的网络需要进行大量且单独计算成本高昂的仿真。所提出的模型阶次降阶方法使得能够对代理网络进行大量仿真，这些网络表现出与全阶模型几乎相同的动力学特性，且误差很小。
引用
@article{arxiv.1310.0761,
title = {Model Reduction for Complex Hyperbolic Networks},
author = {Christian Himpe and Mario Ohlberger},
journal= {arXiv preprint arXiv:1310.0761},
year = {2016}
}
备注
preprint