不可靠数据下径向动力系统的拓扑学习

许多复杂工程系统在其智能体之间具有双向线性耦合。从数据中盲辨识此类影响路径/耦合的被动方法对诸多应用至关重要。然而，源自不同源的动力学相关数据流易出现由不同流的时间戳异步、丢包与噪声引起的损坏。此类不完美信息可能存在于整个观测周期中，因而无法被需要初始干净观测周期的变化检测算法发现。已有工作表明，损坏的数据流会导致图结构中被推断出虚假链路，从而阻碍一致性学习。本文中，我们提供一种新方法以检测损坏智能体的位置，并给出一种在存在损坏数据流时仍能学习径向动力系统结构的算法。特别地，我们证明若未知损坏节点彼此至少相距三跳，则我们的方法可证明地学习到真实的径向结构。我们的理论结果在测试动力学网络中进一步得到验证。