⚡ electrical engineering

Observability for Nonlinear Systems: Connecting Variational Dynamics, Lyapunov Exponents, and Empirical Gramians

यह शोध पत्र एक गणनात्मक रूप से कुशल वेरिएशनल ग्रामियन (Variational Gramian) और क्लासिक एम्पिरिकल ग्रामियन (Empirical Gramian) के बीच समानता स्थापित करके, लयापुनोव एक्सपोनेंट्स (Lyapunov exponents) के साथ संबंध व्युत्पन्न करके, और संख्यात्मक केस स्टडीज में सेंसर चयन के लिए इन नए मापों की उपयोगिता प्रदर्शित करके, गैर-रेखीय प्रणालियों (nonlinear systems) के लिए अवलोकनीयता मात्रा निर्धारण (observability quantification) को आगे बढ़ाता है।

मूल लेखक: Mohamad H. Kazma, Ahmad F. Taha

प्रकाशित 2026-08-04

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohamad H. Kazma, Ahmad F. Taha

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, बदलते हुए जिग्सॉ पहेली (jigsaw puzzle) को सुलझाने की कोशिश कर रहे हैं, लेकिन आप एक बार में केवल कुछ ही टुकड़ों को देख सकते हैं। इंजीनियरिंग और विज्ञान की दुनिया में, यह "ऑब्जर्वेबिलिटी" (observability) की दैनिक चुनौती है। यह इस सवाल के बारे में है कि क्या हम कुछ सीमित सेंसरों को देखकर एक जटिल मशीन—जैसे कि एक रासायनिक संयंत्र, एक पावर ग्रिड, या यहाँ तक कि धड़कता हुआ हृदय—की पूरी छिपी हुई स्थिति का पता लगा सकते हैं। सरल, सीधी रेखा वाली मशीनों (लीनियर सिस्टम) के लिए, वैज्ञानिकों के पास दशकों से एक सटीक मानचित्र रहा है। लेकिन वास्तविक दुनिया की उलझी हुई, घुमावदार और अप्रत्याशित मशीनों (नॉनलीनियर सिस्टम) के लिए, वह मानचित्र धुंधला है। पुराने उपकरण या तो गणना करने में बहुत धीमे हैं या ऐसे उत्तर देते हैं जो केवल "हाँ या ना" में होते हैं, जो तब मददगार नहीं होता जब आपको यह जानने की ज़रूरत हो कि सबसे अच्छी तस्वीर पाने के लिए सर्वश्रेष्ठ सेंसर कैसे चुनें।

यहीं पर एक नया अध्ययन सामने आता है, जो इन अराजक (chaotic) प्रणालियों में नेविगेट करने का एक नया, तेज़ तरीका पेश करता है। शोधकर्ता एक नया गणितीय उपकरण पेश करते हैं जिसे "वेरिएशनल ग्रामियन" (Variational Gramian या Var-Gram) कहा जाता है। इसे एक हाई-टेक, रियल-टाइम रडार की तरह समझें जो न केवल आपको यह बताता है कि क्या आप पूरी पहेली देख सकते हैं, बल्कि यह भी दिखाता है कि पहेली के टुकड़े आपस में कैसे हिलते और जुड़ते हैं। इस नए उपकरण को "लयापुनोव एक्सपोनेंट्स" (Lyapunov exponents) नामक एक अवधारणा से जोड़कर—जो यह मापता है कि सिस्टम में छोटी त्रुटियाँ कितनी तेज़ी से बढ़ती या घटती हैं—यह पेपर सिद्ध करता है कि यह नया रडार पुराने, भारी-भरकम तरीकों जितना ही सटीक है, लेकिन यह बहुत तेज़ी से काम करता है। अंतिम लक्ष्य? इंजीनियरों को जटिल नेटवर्क की निगरानी करने के लिए सही सेंसर चुनने में मदद करना, जिससे समय, पैसा और कंप्यूटेशनल शक्ति की बचत हो सके।

अराजकता के लिए नया रडार

इस शोध पत्र में, लेखक मोहमद एच. कज़मा और अहमद एफ. तहा, नॉनलीनियर सिस्टम के लिए "ऑब्जर्वेबिलिटी को मापने" (quantifying observability) की समस्या का समाधान करते हैं। सरल शब्दों में, वे यह मापना चाहते हैं कि हम एक जटिल, घुमावदार सिस्टम के भीतर कितनी अच्छी तरह देख सकते हैं। वे तीन मुख्य खोजों का प्रस्ताव करते हैं जो इस समस्या के प्रति हमारे दृष्टिकोण को बदलते हैं।

पहला, उन्होंने एक तेज़, स्मार्ट दर्पण बनाया।
लंबे समय से, नॉनलीनियर सिस्टम में ऑब्जर्वेबिलिटी की जाँच करने का मानक तरीका "एम्पिरिकल ग्रामियन" (Empirical Gramian या Empr-Gram) था। कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक ट्रैम्पोलिन कैसे काम करता है, इसके लिए आप उसके हर इंच पर एक-एक करके कूदते हैं और देखते हैं कि कपड़ा कैसे हिलता है। Empr-Gram यही करता है: यह हजारों छोटी "कूद" (perturbations) का अनुकरण करता है ताकि यह देखा जा सके कि सिस्टम कैसे प्रतिक्रिया देता है। यह काम तो करता है, लेकिन यह अविश्वसनीय रूप से धीमा और गणनात्मक रूप से भारी है।

लेखक एक नई विधि पेश करते हैं जिसे वेरिएशनल ग्रामियन (Var-Gram) कहा जाता है। ट्रैम्पोलिन पर हजारों बार कूदने के बजाय, Var-Gram इस बात के गणितीय नियमों को देखता है कि ट्रैम्पोलिन वास्तविक समय में कैसे खिंचता और मुड़ता है। वे सिद्ध करते हैं कि लीनियर सेंसर वाले सिस्टम के लिए (जहाँ सेंसर सीधे मान को पढ़ता है), Var-Gram ठीक वही उत्तर देता है जो पुराना Empr-Gram देता है। हालाँकि, यह इसे सिस्टम की "वेरिएशनल डायनेमिक्स" को ट्रैक करके करता है—अनिवार्य रूप से यह देखते हुए कि एक छोटा, अदृश्य रिपल (लहर) सिस्टम के माध्यम से कैसे चलता है। उनके सिमुलेशन में, यह नई विधि नाटकीय रूप से तेज़ थी। H2O2 नामक एक रासायनिक नेटवर्क के लिए, पुराने तरीके में लगभग 7.38 सेकंड लगे, जबकि नए Var-Gram में केवल 0.0043 सेकंड लगे। GRI30 नामक एक बड़े नेटवर्क के लिए, अंतर और भी स्पष्ट था: 115.05 सेकंड से घटकर 0.489 सेकंड।

दूसरा, उन्होंने "लयापुनोव एक्सपोनेंट्स" के साथ संबंध स्थापित किया।
यह पेपर गणित की दो अलग-अलग दुनियाओं के बीच के अंतर को पाटता है। एक तरफ, आपके पास Var-Gram (नया रडार) है। दूसरी ओर, आपके पास लयापुनोव एक्सपोनेंट्स (LEs) हैं, जो अराजकता सिद्धांत (chaos theory) में प्रसिद्ध हैं क्योंकि वे मापते हैं कि एक सिस्टम में दो लगभग समान पथ कितनी तेज़ी से एक-दूसरे से दूर जाते हैं या करीब आते हैं। लेखक दिखाते हैं कि उनके नए Var-Gram का "लॉग डिटर्मिनेंट" (एक विशिष्ट गणितीय गणना) इन एक्सपोनेंट्स से सीधे जुड़ा हुआ है।

यह क्यों मायने रखता है? इसका अर्थ है कि यदि सिस्टम स्थिर और ऑब्जर्वेबल है, तो Var-Gram के नंबर इन एक्सपोनेंट्स से संबंधित एक अनुमानित तरीके से व्यवहार करेंगे। विशेष रूप से, उन्होंने एक शर्त निकाली: यदि Var-Gram का सबसे बड़ा "आइजनवैल्यू" (सिस्टम की वृद्धि का एक माप) 1 से कम है, तो सिस्टम ऑब्जर्वेबल है। यह इंजीनियरों को एक स्पष्ट, गणितीय "ट्रैफिक लाइट" देता है जिससे उन्हें पता चल सके कि उनके सेंसर पर्याप्त हैं या नहीं।

तीसरा, उन्होंने "सेंसर सिलेक्शन" की पहेली को सुलझाया।
एक बार जब आप ऑब्जर्वेबिलिटी को मापना सीख जाते हैं, तो अगला बड़ा सवाल यह होता है: "मुझे कौन से सेंसर खरीदने चाहिए और उन्हें कहाँ रखना चाहिए?" इसे सेंसर नोड सिलेक्शन (SNS) समस्या कहा जाता है। यदि आपके पास सेंसर के लिए 100 संभावित स्थान हैं, तो अरबों संयोजन (combinations) चेक करने पड़ सकते हैं। लेखक दिखाते हैं कि उनके नए Var-Gram में सबमॉड्यूलरिटी (submodularity) नामक एक विशेष गणितीय गुण है।

इसे एक उदाहरण से उपयोग करें: कल्पना कीजिए कि आप अलग-अलग आकार के कपों का उपयोग करके एक बाल्टी भर रहे हैं। यदि बाल्टी खाली है, तो पहला कप बहुत सारा पानी जोड़ता है। यदि बाल्टी पहले से ही आधी भरी हुई है, तो वही कप कम "नया" पानी जोड़ता है। यह "घटते प्रतिफल" (diminishing returns) का गुण ही सबमॉड्यूलरिटी है। क्योंकि Var-Gram में यह गुण है, इंजीनियर सर्वश्रेष्ठ सेंसर खोजने के लिए एक सरल, तेज़ "ग्रीडी एल्गोरिदम" (greedy algorithm) का उपयोग कर सकते हैं। अरबों संयोजनों की जांच करने के बजाय, एल्गोरिदम बस सबसे अच्छा चुनता है, फिर अगला सबसे अच्छा, और इसी तरह। यह पेपर सिद्ध करता है कि इस विशिष्ट प्रकार की समस्या के लिए, ग्रीडी एल्गोरिदम गारंटीड रूप से एक ऐसा समाधान खोज लेगा जो पूर्णतः आदर्श समाधान का कम से कम 63% होगा, और व्यवहार में, यह अक्सर 99% सटीकता तक पहुँच जाता है।

परिणाम: वास्तविक दुनिया के परीक्षण

लेखकों ने केवल गणित ही नहीं किया; उन्होंने अपने विचारों का परीक्षण दो वास्तविक दुनिया के रासायनिक प्रतिक्रिया नेटवर्कों पर किया:

H2O2 नेटवर्क: 9 रासायनिक प्रजातियों और 27 प्रतिक्रियाओं वाला एक सिस्टम।
GRI30 नेटवर्क: 53 रासायनिक प्रजातियों और 325 प्रतिक्रियाओं वाला एक बहुत बड़ा सिस्टम।

H2O2 नेटवर्क में, उन्होंने पाया कि केवल 5 सेंसरों के साथ (9 संभावित स्थानों में से), अनुमान त्रुटि (estimation error) शून्य के करीब पहुँच गई, जो दर्शाता है कि सिस्टम की स्थिति को प्रभावी ढंग से पुनर्गठित किया जा सकता है। उन्होंने जो सेंसर चुने वे नोड्स 1, 2, 4, 6, और 9 थे। दिलचस्प बात यह है कि उन्होंने पाया कि नोड 9 एक "सेल्फ-लूप" था, जिसका अर्थ है कि यह अन्य रसायनों के साथ परस्पर क्रिया नहीं करता था, इसलिए इसे सीधे मापा जाना आवश्यक था। नोड 3 को छोड़ दिया गया क्योंकि यह दूसरों के साथ नकारात्मक रूप से सह-संबंधित (negatively correlated) था, जिसका अर्थ है कि इसे मापने से समग्र चित्र में कोई मदद नहीं मिली।

जब उन्होंने बड़े GRI30 नेटवर्क का परीक्षण किया, तो यह विधि बहुत अच्छी तरह से स्केल हुई। जबकि अनुमान त्रुटि काफी कम हो गई, यह उस नेटवर्क में मौजूद बड़ी संख्या में गैर-परस्पर क्रिया करने वाली प्रजातियों के कारण शून्य तक नहीं पहुँची, जो यह संकेत देता है कि उस विशिष्ट मामले में पूर्ण स्थिति अनुमान के लिए अतिरिक्त सेंसरों की आवश्यकता हो सकती है। हालाँकि, यह विधि कुशल बनी रही। बड़े नेटवर्क के लिए सेंसर चयन समस्या को हल करने में लगने वाला समय लगभग 24.8 सेकंड था, जो यह सिद्ध करता है कि यह दृष्टिकोण विशाल, जटिल प्रणालियों के लिए भी काम करता है।

इसका क्या अर्थ है (और क्या नहीं है)

यह पेपर नॉनलीनियर सिस्टम की निगरानी को आसान बनाने की दिशा में एक महत्वपूर्ण कदम है। यह एक धीमी, ब्रूट-फोर्स विधि को एक तेज़, गणितीय रूप से सुंदर विधि से बदल देता है जो अराजकता सिद्धांत की गहरी अवधारणाओं से जुड़ी है।

हालाँकि, लेखक अपने वर्तमान कार्य की सीमाओं के प्रति सावधान हैं। उनकी विधि उन सिस्टम के लिए डिज़ाइन की गई है जिनमें कंट्रोल इनपुट नहीं हैं (ऐसी मशीनें जो अपने आप चलती हैं, न कि वे जिन्हें किसी इंसान या कंप्यूटर द्वारा सक्रिय रूप से नियंत्रित किया जा रहा हो)। उन्होंने लीनियर मेजरमेंट मॉडल पर भी ध्यान केंद्रित किया है, जिसका अर्थ है कि सेंसर डेटा को सीधे पढ़ते हैं। हालाँकि वे उल्लेख करते हैं कि गणित को अधिक जटिल सेंसरों तक विस्तारित किया जा सकता है, लेकिन इसका पूर्ण प्रमाण भविष्य के कार्य के लिए छोड़ दिया गया है। इसके अतिरिक्त, उन्होंने अभी तक इस परीक्षण को "नॉइजी" (noisy) डेटा वाले सिस्टम पर नहीं किया है (जहाँ सेंसर खराब हो सकते हैं), हालाँकि वे स्वीकार करते हैं कि यह एक महत्वपूर्ण अगला कदम है।

संक्षेप में, यह पेपर इंजीनियरों को नॉनलीनियर सिस्टम के अंधेरे, उलझे हुए जंगलों की खोज करने के लिए एक नया, हल्का और तेज़ टॉर्च थमाता है। यह दिखाता है कि सिस्टम के माध्यम से चलने वाली छोटी लहरों को देखकर, हम यह पता लगा सकते हैं कि पूरी तस्वीर देखने के लिए हमें वास्तव में कहाँ खड़ा होना चाहिए, और वह भी बिना हर एक संभावना का अनुकरण किए।

तकनीकी सारांश: गैररेखीय प्रणालियों के लिए अवलोकनीयता (Observability): परिवर्तनशील गतिकी (Variational Dynamics), लियापुनोव घातांक (Lyapunov Exponents), और अनुभवजन्य ग्रामियन (Empirical Gramians) को जोड़ना

समस्या विवरण
गतिक नेटवर्क विज्ञानओं में अवलोकनीयता (observability) को मापना एक मौलिक चुनौती है। जबकि रैखिक प्रणालियों (linear systems) के लिए यह सुस्थापित है, गैररेखीय नेटवर्कों तक अवलोकनीयता मात्रात्मकता का विस्तार करना गैर-तुच्छ है। मौजूदा विधियाँ महत्वपूर्ण सीमाओं का सामना करती हैं:

ली डेरिवेटिव (Lie Derivative) दृष्टिकोण: ये उच्च-क्रम के डेरिवेटिव की आवश्यकता के कारण गणनात्मक रूप से महंगे हैं और गुणात्मक (द्विआयामी) रैंक स्थितियाँ प्रदान करते हैं जो सेंसर चयन जैसी समस्याओं के लिए अनुकूलित करना कठिन है।
अनुभवजन्य ग्रामियन (Empirical Gramian - Empr-Gram): हालांकि ये आवेग प्रतिक्रियाओं (impulse responses) के आधार पर एक मात्रात्मक माप प्रदान करते हैं, लेकिन ये गणनात्मक रूप से गहन हैं, जिसके लिए $n_x$ -आयामी प्रणाली के लिए $2n_x$ सिमुलेशन की आवश्यकता होती है। इसके अलावा, इनमें लियापुनोव स्थिरता अवधारणाओं के साथ सीधा सैद्धांतिक संबंध का अभाव है और यह सुनिश्चित करने के लिए कि आइजनमान (eigenvalues) स्थानीय विविधताओं को सटीक रूप से पकड़ सकें, अवस्था चरों (state variables) के सावधानीपूर्वक स्केलिंग की आवश्यकता होती है।
लियापुनोव स्थिरता (Lyapunov Stability): जबकि लियापुनोव घातांक (LEs) गैररेखीय प्रक्षेपपथों (trajectories) की स्थिरता को लक्षणित करते हैं, सेंसर चयन के लिए उन्हें सीधे अवलोकनीयता ग्रामियनों से जोड़ने वाले एक सामान्य सिद्धांत का अभाव था।

कार्यप्रणाली
यह शोध पत्र एक परिवर्तनशील ग्रामियन (Variational Gramian - Var-Gram) प्रस्तावित करता है जो स्वायत्त गैररेखीय प्रणालियों के डिस्क्रीट-टाइम परिवर्तनशील प्रतिनिधित्व पर आधारित है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

विवक्तीकरण (Discretization) और परिवर्तनशील सूत्रीकरण: निरंतर-समय गैररेखीय प्रणाली को 'इम्प्लिसिट रनगे-कुट्टा' (IRK) विधि का उपयोग करके विवक्त (discretize) किया गया है। लेखक एक डिस्क्रीट-टाइम परिवर्तनशील प्रणाली व्युत्पन्न करते हैं जो एक प्रक्षेपपथ के साथ सूक्ष्म अवस्था विविधताओं ( $\delta x_k$ ) के विकास का वर्णन करती है। इस परिवर्तनशील प्रणाली को गैररेखीय प्रणाली के स्पर्शज्या (tangent space) के साथ निर्मित एक रैखिक समय-परिवर्ती (LTV) मॉडल के रूप में माना जाता है।
Var-Gram का निर्माण: एक परिमित क्षितिज $N$ के ऊपर संचयी परिवर्तनशील मापन मानचित्रों (measurement mappings) को संयोजित करके एक अवलोकनीयता मैट्रिक्स $\Psi$ का निर्माण किया जाता है। Var-Gram को $V_o = \Psi^\top \Psi$ के रूप में परिभाषित किया गया है।
सैद्धांतिक संबंध:
- Empr-Gram के साथ तुल्यता: शोध पत्र सिद्ध करता है कि रैखिक आउटपुट मानचित्रण के तहत, Var-Gram गणितीय रूप से क्लासिक अनुभवजन्य ग्रामियन (Empirical Gramian) के समान है।
- लियापुनोव घातांक के साथ संबंध: लेखक एक संबंध व्युत्पन्न करते हैं जो यह दर्शाता है कि Var-Gram के निर्धारक (determinant) का लघुगणक (logarithm), परिमित-समय लियापुनोव घातांकों (LEs) के योग के समानुपाती है।
- स्पेक्ट्रल स्थितियाँ: Var-ग्राम के स्पेक्ट्रल रेडियस के आधार पर एक समान अवलोकनीयता के लिए एक स्थिति व्युत्पन्न की गई है, जो प्रणाली के प्रक्षेपपथ की स्थिरता गुणों से जुड़ी है।
सेंसर चयन (SNS): यह शोध पत्र सेंसर नोड चयन (SNS) समस्या को एक सेट मैक्सिमाइजेशन समस्या के रूप में तैयार करता है। यह प्रदर्शित करता है कि Var-Gram, सेंसर आवंटन वेक्टर के संबंध में एक मॉड्यूलार सेट फंक्शन है, और अवलोकनीयता माप $\log \det(V_o)$ एक उप-मॉड्यूलर (submodular) और मोनोटोन बढ़ता हुआ (monotone increasing) गुण है। यह गुण सैद्धांतिक प्रदर्शन गारंटी के साथ 'ग्रिडी एल्गोरिदम' (greedy algorithms) के उपयोग की अनुमति देता है।

प्रमुख योगदान
यह शोध पत्र तीन प्राथमिक योगदान प्रस्तुत करता है:

गणनात्मक रूप से कुशल ग्रामियन: बिना इनपुट वाली गैररेखीय प्रणालियों के लिए अवलोकनीयता ग्रामियन को कंप्यूट करने की एक नई विधि, जो परिवर्तनशील गतिकी से व्युत्पन्न है। यह दिखाया गया है कि यह रैखिक आउटपुट के तहत Empr-Gram के समान है, लेकिन यह काफी अधिक गणनात्मक रूप से कुशल है, जिसमें कई आवेग प्रतिक्रिया सिमुलेशन के बजाय केवल एक एकल प्रक्षेपपथ सिमुलेशन की आवश्यकता होती है।
स्थिरता सिद्धांत के साथ जुड़ाव: लियापुनोव घातांकों के साथ Var-Gram के संबंध का व्युत्पत्ति। यह ग्रामियन के स्पेक्ट्रल रेडियस पर आधारित एक स्थानीय अवलोकनीयता स्थिति स्थापित करता है और LEs के संबंध में अवलोकनीयता के लिए एक सीमा (bound) प्रदान करता है।
स्केलेबल सेंसर चयन: यह प्रदर्शन कि Var-Gram-आधारित अवलोकनीयता माप उप-मॉड्यूलर (submodular) है। यह गैररेखीय नेटवर्कों में SNS समस्या को ग्रिडी एल्गोरिदम का उपयोग करके कुशलतापूर्वक हल करने में सक्षम बनाता है, जो अनुभवजन्य डेटा सिमुलेशन पर आधारित विधियों के लिए एक स्केलेबल विकल्प प्रदान करता है।

परिणाम
दो गैररेखीय दहन अभिक्रिया नेटवर्कों ( $H_2O_2$ जिसमें 9 प्रजातियां हैं और GRI30 जिसमें 53 प्रजातियां हैं) पर संख्यात्मक केस अध्ययन किए गए:

तुल्यता और स्केलिंग: Var-Gram और Empr-Gram को अवस्था अंतर्संबंधों को मैप करने में समकक्ष पाया गया। हालांकि, Var-Gram, Empr-Gram ( $10^{-3}$ ) की तुलना में आंतरिक अवस्था विविधताओं (परिमाण $10^3$ ) को गतिशील रूप से स्केल करता है, जिससे मैनुअल स्टेट स्केलिंग की आवश्यकता समाप्त हो जाती है।
गणनात्मक दक्षता: Var-Gram ने गणनात्मक समय में क्रम-परिमाण (orders-of-magnitude) का सुधार प्रदर्शित किया। GRI30 नेटवर्क के लिए, Var-Gram ने लगभग 0.47 सेकंड लिया, जबकि Empr-Gram को 112 सेकंड से अधिक समय लगा।
अवलोकनीयता स्थितियाँ: $H_2O_2$ नेटवर्क के लिए गणना किए गए सभी लियापुनोव घातांक नकारात्मक थे, जो व्युत्पन्न अवलोकनीयता स्थिति ( $\rho(V_o) < 1$ ) को संतुष्ट करते हैं।
सेंसर चयन: ग्रिडी एल्गोरिदम ने सफल रूप से इष्टतम सेंसर उपसमुच्चयों (subsets) की पहचान की। $H_2O_2$ नेटवर्क के लिए, 9 में से 5 सेंसरों (विशेष रूप से नोड्स {1, 2, 4, 6, 9}) का चयन करना सभी रासायनिक प्रजातियों को देखने के लिए पर्याप्त था, जिसके परिणामस्वरूप अवस्था अनुमान त्रुटि (state estimation error) लगभग शून्य रही। यह ढांचा बड़े GRI30 नेटवर्क के लिए भी प्रभावी ढंग से स्केल हुआ।

महत्व और दावे
शोध पत्र का दावा है कि Var-Gram परिवर्तनशील गतिकी, लियापुनोव स्थिरता और अनुभवजन्य मापों के बीच के अंतर को पाटने वाला एक मजबूत, मॉडल-आधारित ढांचा प्रदान करता है। Var-Gram-आधारित माप की उप-मॉड्यूलरिटी (submodularity) स्थापित करके, यह कार्य अनुभवजन्य ग्रामियनों के गणनात्मक बोझ के बिना गैररेखीय नेटवर्कों में स्केलेबल सेंसर प्लेसमेंट को सक्षम बनाता है।

लेखक स्पष्ट रूप से सीमाओं का उल्लेख करते हैं: वर्तमान विधि बिना नियंत्रण इनपुट वाली गैररेखीय प्रणालियों पर लागू होती है; LEs के साथ तुल्यता रैखिक मापन मॉडल के लिए सिद्ध की गई है; और ली डेरिवेटिव-आधारित विश्लेषणात्मक विधियों के साथ संबंधों की जांच नहीं की गई है। भविष्य के कार्य के रूप में शोर युक्त मापन वाले स्टोकेस्टिक गैररेखीय प्रणालियों तक इन विधियों का विस्तार करने और LEs की गणना के लिए डेटा-संचालित दृष्टिकोणों का पता लगाने का सुझाव दिया गया है।

अराजकता के लिए नया रडार

परिणाम: वास्तविक दुनिया के परीक्षण

इसका क्या अर्थ है (और क्या नहीं है)

इसी तरह के और पेपर