TL;DR
- چکیده: مقاله اخیر توسط Lien و همکاران.
- (2025) "مدل معکوس خطی رنگی" (LIM رنگی) را معرفی میکند،.
- که در آن اجبار تصادفی با استفاده از نویز رنگی Ornstein-Uhlenbeck به جای نویز سفید ایده آل مدل.
چه اتفاقی افتاد
چکیده: مقاله اخیر توسط Lien و همکاران. (2025) "مدل معکوس خطی رنگی" (LIM رنگی) را معرفی میکند،.
که در آن اجبار تصادفی با استفاده از نویز رنگی Ornstein-Uhlenbeck به جای نویز سفید ایده آل مدل. سازی میشود.
در آن کار،. نشان داده شده است که فرمولهای شناسایی مبتنی بر مشتق که برای تخمین پارامترهای مدل استفاده میشوند،.
محدودیت نویز سفید معمولی را به دلیل از دست دادن قابلیت تمایز تابع همبستگی تاخیر در تاخیر صفر. نمیپذیرند.
در اینجا ما محدودیت نویز سفید را از منظر معادلات دیفرانسیل تصادفی زیربنایی بررسی میکنیم. با در نظر گرفتن LIM رنگی بهعنوان یک سیستم Ornstein-Uhlenbeck تقویت شده،.
نشان میدهیم که با زمان همبستگی tau -> 0،. سیستم مبتنی بر نویز رنگی به LIM کلاسیک کاهش مییابد،.
و کوواریانس ثابت متناظر رابطه نوسان-استهلاک استاندارد را برآورده میکند. بررسی مجدد همان سیستم خطی مورد استفاده Lien و همکاران.
(2025)، ما این همگرایی را به صورت عددی نشان میدهیم. این نتایج تمایز بین رفتار منحصر به فرد فرمولهای شناسایی مبتنی بر مشتق و رفتار محدود کننده.
منظم مدل تصادفی اساسی را برجسته میکند. همراه با نتایج اخیر که نشاندهنده همگرایی پارامترهای تخمینی در حد نویز سفید است،.
تفسیری ثابت ارائه میکنند که در آن LIM رنگی LIM کلاسیک را در سطح دینامیک تصادفی بازیابی میکند،. حتی اگر رویههای تخمین خاصی در آن حد تعریف نشده باشند.
صفحه، 1 شکل فیزیک جوی و اقیانوسی (physics. ao-ph); احتمال (math.
PR) استناد بهعنوان: (یا v1 [physics. ao-ph] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Cristian Martinez-Villalobos [مشاهده ایمیل] [v1] پنجشنبه،.
2 آوریل 2026،. ساعت 21:.
21:. 26 UTC (238 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.