报告题目：Data-driven sparse identification of nonlinear dynamical systems using linear multistep methods
报 告 人：陈浩 教授 (重庆师范大学)
报告时间：2022年12月2日10:30-11:30
报告方式：腾讯会议 785-844-564
报告摘要：Linear multistep methods (LMMs) are popular time discretization schemes for solving the forward problem on differential equations. Recently, LMMs together with deep neural networks have been shown to successfully discover dynamical systems from data. In this work, we propose a class of LMM-based sparse regression approaches for the discovery of nonlinear dynamical systems. The work builds on the sparse identification of nonlinear dynamics (SINDy) framework presented in [S. L. Brunton, J. L. Proctor, J. N. Kutz, Proc. Natl. Acad. Sci. USA 113 (2016) 3932--3937], allowing closed form expression for the governing equations and therefore the resulting data-driven model can give insights into the underlying physics. Compared to the standard SINDy algorithm, the proposed LMM-based SINDy approach allows for more accurate and robust model recovery from data with a wide range of noise levels, without requiring pointwise derivative approximations and conventional noise filtering. Numerical results are presented to demonstrate the effectiveness of the proposed method.

专家简介：陈浩，重庆师范大学数学科学学院教授, 中国仿真算法专业委员会委员。2012年毕业于华中科技大学数学与统计学院，获理学博士学位. 主要从事微分方程数值解研究, 主持过国家自然科学基金及省级科研项目多项，在《J.Comput. Phys.》、《J. Sci. Comput.》、《BIT Numer. Math.》等计算数学刊物发表科研论文20余篇.