基于数据驱动的随机粗粒化动力学建模：利用 Langevin 回归考虑有限尺寸效应
摘要：精确地包含有限尺寸效应的粗粒化模型是研究复杂的多尺度系统中的一个重要挑战。我们应用Langevin回归方法，这是一种最近开发的用于找到合理采样的时间序列数据的随机微分方程描述的方法，以了解耦合振荡子的Kuramoto模型中的有限尺寸效应。我们发现，在整个分叉图中，Kuramoto序参量的动力学与一个SDE的漂移项统计上一致，该漂移项的形式与Ott-Antonsen预测的在$N\to\infty$极限下相一致。我们发现扩散项几乎独立于分叉参数，并且具有以$N^{-1/2}$衰减的幅度，这与中心极限定理相一致。这表明在临界点附近序参量的发散波动是由基本漂移项的分叉驱动的，而不是由于增加的随机强迫。
作者：Jordan Snyder, Jared L. Callaham, Steven L. Brunton, J. Nathan Kutz
论文ID：2103.16791
分类：Adaptation and Self-Organizing Systems
分类简称：nlin.AO
提交时间：2021-10-12