基于再生核希尔伯特空间的常微分方程组估计
统计方法学
2014-05-09 v2 机器学习
摘要
非线性微分方程组因具有灵活性及描述动力系统的能力，在系统生物学、生态学或生物化学等领域引起了关注。尽管此类模型在许多科学分支中至关重要，但直到最近它们才成为系统统计分析的焦点。在本工作中，我们提出了一种通用方法来估计带有噪声测量的微分方程组参数。我们的方法基于惩罚似然的最大化，其中微分方程组被用作惩罚项。为此，我们采用再生核希尔伯特空间（Reproducing Kernel Hilbert Space）方法，将估计问题表述为易于求解的无约束数值最大化问题。所提出的方法在合成模拟数据上进行了测试，并用于利用其调控基因的表达数据估计天蓝色链霉菌（Steptomyes coelicolor）中未观测到的转录因子 CdaR。
引用
@article{arxiv.1311.3576,
title = {Reproducing kernel Hilbert space based estimation of systems of ordinary differential equations},
author = {Javier González and Ivan Vujačić and Ernst Wit},
journal= {arXiv preprint arXiv:1311.3576},
year = {2014}
}
备注
16 pages, 6 figures