《Mathematical Biosciences》:A multiobjective optimization approach to data assimilation for complex biological systems with sparse data
编辑推荐:
本文提出一种创新的多目标数据同化(DA)方法,通过构建加权多组分损失函数(含点对点误差L1、分布一致性L2等),解决稀疏数据下生物系统(以血糖动态为例)模型估计中的非平稳性、模型不可靠等难题。该方法通过三阶段优化策略平衡局部精度与全局动力学特征,显著提升了对振荡信号等复杂动态的捕捉能力。
A new multiobjective approach to DA smoothing and initialization
我们提出一个目标函数L,其构建为不同组分Lk的加权和,每个组分服务于不同目的。回顾一下,{xj}代表可观测变量,{zj}代表未观测到的潜变量,{yj}代表观测数据。那么,
- •
L1量化了{xj}与{yj}之间的点对点一致性。
- •
L2从分布角度量化了{xj}与{yj}之间的一致性,涉及一个缓慢调制的不变测度。L1和L2是L中唯一涉及{yj}的组分。
Synthetic data with known underlying ground truth
在将方法应用于血糖动态之前,我们首先在一个已知真实情况(ground truth)的合成示例上展示该方法。我们通过以下模型生成一个振荡信号并从中提取带噪声的测量值:
x(t) = b(t) + r(t) cos(ω(t) t), t ∈ [0, 80],
其中
b(t) = 1 + 0.2 cos(2π t / 200), ω(t) = 1 + 0.2 cos(2π t / 100),
dr = (a(t) - r(t)) dt + 0.01 dW, r(0) = a(0), a(t) = 1 + 0.2 sin(2π t / 100).
我们通过欧拉-丸山(Euler-Maruyama)方法模拟该模型,取Δt=0.1,得到x(t)的一个实现。为了提取带噪声的观测值...
Discussion
整体总结 我们构建了一个标量化的多目标函数及相关的优化机制,以支持在模型估计中平衡点对点误差的最小化与全局特性(如定性动力学和测量时间误差)之间的关系。我们在各种振荡模拟数据、从数据或再分析中估计的DA输出、以及外部驱动且具有随机/混沌特性的真实数据上证明了该机制的有效性。估计...
Conclusions
受限于无法在稀疏、非平稳、噪声数据下鲁棒地估计模型参数以初始化DA滤波器,我们开发了一种新方法。该方法具有三个显著特点。第一,它平衡了优化局部点对点误差与全局分布误差以及模型一致性。第二,它允许用户为模型注入已知的底层动力学,例如振荡动力学。第三,该方法允许参数在估计窗口内随时间变化...