Parameter Estimation for Differential Equations: a Generalized Smoothing Approach
微分方程参数估计：广义平滑方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般微分方程系统的参数估计，未明确经济结构估计或其他所列细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
微分方程参数估计：广义平滑方法
- 研究问题
- 对于非线性微分方程系统，如何仅利用部分变量的含噪观测估计参数，并形成适合统计推断的置信区间？
- 方法与思路
- 作者修改数据平滑方法并推广剖面估计，以含噪观测拟合非线性微分方程系统的参数，同时构造相应置信区间。
- 材料陈述的贡献
- 摘要称，化工与神经生物模型模拟中估计偏差较低、区间覆盖良好，并在化学和狼疮进展数据上展示方法。
- 阅读关注点
- 应核对部分观测下的参数可识别性、平滑与方程约束的权衡，以及剖面估计和置信区间如何处理拟合不确定性。
- 阅读边界
- 仅依据所给Crossref摘要；低偏差和良好覆盖限于所报告设置，识别条件、噪声假设及计算成本的具体信息未提供。
原文摘要
Summary We propose a new method for estimating parameters in models that are defined by a system of non-linear differential equations. Such equations represent changes in system outputs by linking the behaviour of derivatives of a process to the behaviour of the process itself. Current methods for estimating parameters in differential equations from noisy data are computationally intensive and often poorly suited to the realization of statistical objectives such as inference and interval estimation. The paper describes a new method that uses noisy measurements on a subset of variables to estimate the parameters defining a system of non-linear differential equations. The approach is based on a modification of data smoothing methods along with a generalization of profiled estimation. We derive estimates and confidence intervals, and show that these have low bias and good coverage properties respectively for data that are simulated from models in chemical engineering and neurobiology. The performance of the method is demonstrated by using real world data from chemistry and from the progress of the autoimmune disease lupus.