Crédito: Dominio público de Pixabay/CC0
Un nuevo sistema algorítmico que funciona sutilmente en el fondo de beneficio mutuo, y se adapta rápidamente a las condiciones locales, podría ser útil en el procesamiento de datos donde los términos de ruido pueden reemplazarse con estimaciones útiles de sus valores.
En el mundo impredecible del modelado basado en datos, algunos algoritmos cobran a través de problemas como los rinocerontes, otros se mezclan y se adaptan como los camaleones. A nuevo enfoque Para un desafío de larga data en la identificación del sistema, cómo trabajar con datos faltantes y ruidosos, cae firmemente en el último campamento y se discute en la revista internacional de modelado, identificación y control.
El método está diseñado para modelos controlados de promedio móvil autorregresivo (Carma), estructuras matemáticas ampliamente utilizadas para capturar y pronosticar el comportamiento de los sistemas dinámicos en campos tan diversos como la ingeniería de control, la economía y la ciencia climática.
Estos modelos funcionan mejor cuando los datos de entrada y salida son completos y confiables. En realidad, tal ideal rara vez se logra, si alguna vez. Las interrupciones de la red, los sensores defectuosos y las interrupciones ambientales con frecuencia dejan brechas en el registro, mientras que el ruido de fondo, a menudo con patrones propios, puede distorsionar lo que queda.
Los algoritmos convencionales pueden fallar en tales condiciones, produciendo resultados sesgados o modelos inestables que se parecen poco al sistema real. La nueva investigación adopta un enfoque más inteligente, ajustándose en silencio al panorama de datos y convirtiendo potenciales contratiempos en ventajas.
Su ingenio se encuentra en la combinación de tres técnicas distintas. Un modelo auxiliar estima los componentes no medidos del sistema, extrayendo señales útiles de lo que de otro modo sería el desorden estadístico, una reversión casi kármica de los datos malos en el bien. Un método de interpolación luego llena las entradas faltantes inferiendo valores plausibles de las mediciones circundantes. Finalmente, el proceso se acelera utilizando la optimización de gradiente acelerado de Nesterov, una forma matemáticamente elegante de anticipar el mejor paso siguiente en lugar de tomar cada uno a ciegas.
Juntos, estos pasos forman el algoritmo de gradiente acelerado (INAG) basado en la interpolación, un sistema que no solo produce estimaciones de parámetros más precisas, sino que lo hace más rápido que los métodos comparables, incluso en presencia de “ruido coloreado”, fluctuaciones aleatorias con estructura y memoria.
Para los ingenieros, una mejor identificación del sistema significa un mejor control, ya sea en la regulación de los procesos industriales, la estabilización de las redes eléctricas o los vehículos autónomos ajustados. Para los economistas y los científicos climáticos, ofrece una forma de realizar pronósticos más confiables a partir de datos incompletos o ruidosos, mejorando potencialmente la política y la planificación.
Más información: Huitong Lu et al, el algoritmo de gradiente acelerado de Nesterov para los modelos de Carma con datos de entrada perdidos basados en el método de interpolación, Revista Internacional de Modelado, Identificación y Control (2025). Dos: 10.1504/ijmic.2025.147954
Cita: un camaleón algorítmico de Carma más tranquilo, 25 de agosto) recuperado el 25 de agosto de 2025 de https://techxplore.com/news/2025-08-calmer-karma-carma-algorithmicmeleon.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
