Data-driven system identification of the Barabási–Albert Model

Contreras Franco, David

Data-driven system identification of the Barabási–Albert Model

dc.contributor.advisor	Finke Ortiz, Jorge
dc.contributor.advisor	Tobón Llano, Luis Eduardo
dc.contributor.author	Contreras Franco, David
dc.date.accessioned	2024-06-14T20:45:12Z
dc.date.available	2024-06-14T20:45:12Z
dc.date.issued	2022
dc.description.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.
dc.description.abstracteng	This work compares the Sparse Identification of Nonlinear Dynamics (SINDy) and Nonlinear AutoRegressive Moving Average with eXogenous input (NARMAX) methods in the task of dynamics identification. The comparison considered Ordinary Differential Equation (ODE) systems, such as chaotic systems, nonlinear transfer functions with random input, and node degree evolution of the Barabási–Albert (BA) model, with the extension of their capability to identify different equations between two nodes with different fitness values in a Bianconi-Barabási model. The comparison metrics selected focus on model representation, sparsity, estimation error, and time. The comparison shows an initial indication that SINDy finds sparser models, while NARMAX finds models with minimised estimation error.
dc.format.extent	58 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	https://vitela.javerianacali.edu.co/handle/11522/2623
dc.language.iso	eng
dc.publisher	Pontificia Universidad Javeriana Cali
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Barabási–Albert Model
dc.subject	System Identification
dc.subject	Data-driven methods
dc.subject	Sparsity
dc.thesis.discipline	Facultad de Ingeniería y Ciencias. Ingeniería Electrónica
dc.thesis.grantor	Pontificia Universidad Javeriana Cali
dc.thesis.level	Pregrado
dc.title	Data-driven system identification of the Barabási–Albert Model	eng
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP