Data-driven system identification of the Barabási–Albert Model

Abstract
Este trabajo compara los métodos Sparse Identification of Nonlinear Dynamics (SINDy) y Nonlinear AutoRegressive Moving Average with eXogenous input (NARMAX) en la tarea de identificación de dinámicas. La comparación consideró sistemas de ecuaciones diferenciales ordinarias (ODE), como los sistemas caóticos, funciones de transferencia no lineales con entrada aleatoria y la evolución del grado de un nodo del modelo Barabási-Albert (BA), con la extensión de la capacidad para identificar diferentes ecuaciones entre dos nodos con diferentes valores de fitness en un modelo de Bianconi-Barabási. Las métricas de comparación seleccionadas se centran en la representación del modelo, la dispersión, el error de estimación y el tiempo. La comparación indica que SINDy encuentra modelos más dispersos, mientras que NARMAX encuentra modelos que minimizan el error de estimación.
Description
Keywords
Barabási–Albert Model, System Identification, Data-driven methods, Sparsity
Citation