Ordinary differential equation models for a collection of discretized functions
离散观测函数集合的常微分方程模型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：摘要研究一般函数集合与常微分方程估计，时间点观测和动态系统本身不足以确定宏观时间序列或面板研究主线。
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…
关注这篇论文的作者
离散观测函数集合的常微分方程模型
- 研究问题
- 如何对从稀疏到密集时间点观测的一组函数建立常微分方程模型，并在复杂非线性或非Lipschitz情形下估计参数与恢复曲线？
- 方法与思路
- 作者将研究对象从单一函数扩展为离散观测的函数集合，提出函数矩方法用于常微分方程参数估计及曲线恢复。
- 材料陈述的贡献
- 摘要称方法涵盖多类动态系统及不同采样密度，数值分析展示其在社会学、物理学和流行病学等领域的适用性。
- 阅读关注点
- 应核对函数矩的定义、函数间共享参数与异质性设定，以及稀疏采样、非Lipschitz系统中的识别条件和曲线恢复依据。
- 阅读边界
- 仅据所给Crossref摘要解读。摘要未说明可识别性、解的唯一性、理论误差界或数值结果，不能由非Lipschitz情形的纳入推断任意动态系统均适用。
原文摘要
Abstract The exploration of dynamic systems governed by ordinary differential equations (ODEs) holds great interest in the field of statistics. Existing research mainly focuses on a single function. This study generalizes the scope to analyse a collection of functions observed at discretized times, with sampling frequencies varying from sparse to dense designs. The range of ODE models studied caters to diverse dynamic systems, and includes the complex nonlinear and non-Lipschitz scenarios. We introduce a new concept named functional moment method, a novel approach for parameter estimation within these ODE models and facilitating the recovery of curves for the discretely observed functions. Our numerical analysis underscores the method’s applicability across various application fields, including sociology, physics, and epidemiology.