In this work, weakly corrected explicit, semi-implicit and implicit Milstein approximations are presented for the solution of nonlinear stochastic differential equations. The solution trajectories provided by the Milstein schemes are corrected by employing the \textit{change of measures}, aimed at removing the error associated with the diffusion process incurred due to the transformation between two probability measures. The change of measures invoked in the Milstein schemes ensure that the solution from the mapping is measurable with respect to the filtration generated by the error process. The proposed scheme incorporates the error between the approximated mapping and the exact representation as an innovation, that is accounted for, in the Milstein trajectories as an additive term. Numerical demonstration using a parametrically and non-parametrically excited stochastic oscillators, demonstrates the improvement in the solution accuracy for the corrected schemes with coarser time steps when compared with the classical Milstein approximation with finer time steps.


翻译:在这项工作中,为了解决非线性随机差分方程,提出了经过微弱修正的清晰、半隐含和隐含的Milstein近似值。Milstein方案所提供的解决方案轨迹通过使用\textit{措施变化}加以纠正,目的是消除由于两种概率计量方法之间的转换而引发的与扩散过程有关的错误。Milstein方案中援引的措施的改变确保了绘图中的解决办法在错误过程产生的过滤方面可以测量。拟议办法纳入了近似绘图与精确表述之间的错误,作为创新,在Milstein 轨迹中作为添加术语加以说明。使用对称和非对称高度随机振动器进行数字演示,表明与古典的Milstein近似和较细微时间步骤相比,纠正计划的解决办法的准确性提高了。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
最新【深度生成模型】Deep Generative Models,104页ppt
专知会员服务
69+阅读 · 2020年10月24日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】SLAM相关资源大列表
机器学习研究会
10+阅读 · 2017年8月18日
Arxiv
0+阅读 · 2021年10月15日
Arxiv
6+阅读 · 2018年10月3日
VIP会员
相关VIP内容
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【推荐】用Tensorflow理解LSTM
机器学习研究会
36+阅读 · 2017年9月11日
【推荐】SLAM相关资源大列表
机器学习研究会
10+阅读 · 2017年8月18日
Top
微信扫码咨询专知VIP会员