Busca avançada
Ano de início
Entree
Conteúdo relacionado
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Parameter estimation in systems exhibiting spatially complex solutions via persistent homology and machine learning

Texto completo
Autor(es):
Calcina, Sabrina S. [1] ; Gameiro, Marcio [1]
Número total de Autores: 2
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, Inst Ciencias Matemat & Comp, Caixa Postal 668, BR-66813560 Sao Carlos, SP - Brazil
Número total de Afiliações: 1
Tipo de documento: Artigo Científico
Fonte: MATHEMATICS AND COMPUTERS IN SIMULATION; v. 185, p. 719-732, JUL 2021.
Citações Web of Science: 0
Resumo

We use persistent homology to extract topological information from complex spatio-temporal data generated by differential equations and use this information to estimate the corresponding parameters of the differential equation using regression methods in machine learning. We apply this technique to a predator-prey system and to the complex Ginzburg-Landau equation. (C) 2021 International Association for Mathematics and Computers in Simulation (IMACS). Published by Elsevier B.V. All rights reserved. (AU)

Processo FAPESP: 19/06249-7 - Aplicações de Métodos Computacionais e Topológicos em Sistemas Dinâmicos
Beneficiário:Marcio Fuzeto Gameiro
Modalidade de apoio: Auxílio à Pesquisa - Regular