基于Hopf规范形表示的振荡时间序列推断：自然频率、Floquet指数与相位-幅值敏感函数的概率状态空间估计

《Chaos, Solitons & Fractals》：Inference of Hopf normal form representations from oscillatory time series

　　

研究人员提出了一种概率框架，用于从振荡时间序列中推断与Hopf规范形（Hopf normal form）一致的表示。该框架将Hopf规范形嵌入状态空间模型（state–space model）中，从而在存在观测噪声的条件下联合推断潜在坐标与动力学参数。该框架由两个部分组成：第一部分为状态空间模型，用于估计动力学参数，包括自然频率（natural frequency）与非平凡Floquet指数（nontrivial Floquet exponent），同时为每个观测分配表示相位与幅值的潜在状态；第二部分利用复值高斯过程回归（complex-valued Gaussian process regression, CGPR）在观测空间的未观测区域对复值潜在状态进行插值，从而估计相位敏感函数（phase sensitivity function, PSF）与幅值敏感函数（amplitude sensitivity function, ASF），刻画扰动对振荡相位与幅值的影响。数值实验表明，该框架能够从含噪振荡时间序列中恢复上述动力学性质，并在强观测噪声下保持有效性。

rhythmic activity）广泛存在于生物系统中，如大脑皮层网络振荡、昼夜节律、心肺周期及动物步态等，通常以极限环振荡器（limit cycle oscillator）建模。Hopf分岔（Hopf bifurcation）是极限环振荡产生的典型机制：随系统参数变化，一对共轭复特征值的稳定不动点失稳，从而诞生稳定极限环。为统一分析分岔点附近的动力学，非线性系统可通过变量变换简化为规范形（normal form），其中Hopf分岔附近系统可局部表示为三次规范形。然而，规范形框架虽推进了非线性动力学的理论理解，将其应用于观测时间序列的定量分析仍具挑战：尽管在适当条件下分岔点附近局部存在规范形坐标变换，但其显式函数形式通常未知，因此需同时识别潜在坐标并估计相关动力学参数。已有研究通过解析关联规范形的相位与幅值响应曲线与从观测估计的响应曲线来识别Hopf分岔附近的动力系统，但从含噪观测直接推断规范形表示仍然困难，尤其当观测噪声较大时。为此，研究人员开展了本项研究，旨在开发一种概率框架，从含噪振荡动力学观测中推断与Hopf规范形一致的表示；该方法不要求已知 governing equations，而是将Hopf规范形嵌入状态空间建模框架，使潜在坐标与动力学参数能够从时间序列观测中联合推断，从而为处理观测噪声与推断潜在表示中的不确定性提供原则性途径。

在研究背景之后，研究人员开展了基于状态空间模型与复高斯过程回归的两阶段推断研究。第一阶段建立状态空间模型：对规范形（2）采用一阶Euler离散化并加入加性过程噪声，得到状态方程（5），其中过程噪声仅作为统计建模手段而非物理动力学噪声；观测方程（6）通过非线性映射??将二维潜在状态映射到D维观测空间，??采用p阶多变量多项式（7）建模。为识别潜在规范形坐标，要求感兴趣区域内rank(?_????(??))=2；若??在该区域单射，则定义二维规范形状态空间到观测空间的嵌入。对于标量观测（D=1），??不可逆，可识别性依赖观测中的时间信息与状态转移动力学。研究指出状态方程（5）并非表示内在离散时间动力系统，而是Hopf规范形（2）在采样间隔Δ上的一阶Euler近似，故α与ω保留连续时间衰减率与角频率的解释；Hopf分岔条件α=0对应于时间-Δ映射的一对共轭复乘子穿越单位圆，即Neimark–Sacker分岔。第二阶段对潜在状态进行推断：由于状态转移与观测模型均为非线性，精确推断不可行，研究人员采用基于矩匹配（moment matching）的高斯近似，通过前向滤波计算p(??_t|??_1:t,Θ)与后向平滑获得p(??_t|??_1:T,Θ)；参数估计采用期望最大化（Expectation–Maximization, EM）算法迭代最大化辅助函数??直至收敛；随后利用复高斯过程回归对逐点潜在状态估计在观测空间未观测区域进行插值，采用高斯核并以最大化对数边际似然估计超参数，进而由复表示获得相位与幅值函数，并通过有限差分估计PSF与ASF，其中幅值定义为在极限环上消失，该定义相对于Hopf规范形诱导的坐标系。

研究得出以下结论：所提出的方法能够准确估计自然频率与非零Floquet指数，并在广泛的分岔参数γ与观测噪声水平σ_y范围内保持稳健，即使在强观测噪声下仍可获得可靠估计；相比之下，经验方法虽能较好估计自然频率，但Floquet指数估计在中等噪声下即显著退化。去噪方面，该方法较移动平均滤波产生更平滑且更准确的 reconstructions，RMSE持续更低。渐近相位估计方面，该方法在所有测试的γ与σ_y下均保持高精度，而经验方法随噪声增大明显退化。PSF与ASF估计方面，该方法在广泛参数设置下准确估计两者；GPPI在低噪声下PSF精度略高但随噪声增大退化，DPR在低噪声下与该方法相当但随噪声增大退化。研究还注意到某些设置下估计性能随观测噪声增大而略有改善的非单调现象，可能源于vdP振荡器与Hopf规范形表示的模型失配：观测噪声很小时状态空间推断需通过潜在动力学与模型参数解释真实动力学与假设规范形之间的系统性偏差，而噪声增大时概率观测模型可将部分偏差归因于观测噪声，从而减少模型失配误差对推断潜在动力学的影响，即适度观测噪声可起正则化作用，但不应解释为更大观测噪声的一般优势。采样间隔敏感性方面，将轨迹子采样至Δ=0.05与0.1后估计仍高度一致，仅随Δ增大略有精度下降；Δ=0.05时相位估计在各γ与噪声水平下ρ≥0.996，Δ=0.1时在γ=0.4与0.6且噪声较强时出现更明显退化，但相位相似度仍高于0.982，表明该框架可应用于适度采样的振荡时间序列，前提是采样间隔相对振荡特征时间尺度足够小。在高维系统方面，研究人员将方法应用于三维Goodwin模型（参数α=1.8、n=20，稳定极限环ω=1.73、λ₂=?0.0766、λ₃=?2.92），所有三个状态变量均被观测，旨在检验高维动力学而非部分观测。结果表明估计自然频率在各噪声水平下与真值1.73接近，估计指数接近第二大的Lyapunov指数λ₂=?0.0766，因λ₂远较λ₃=?2.92接近零，表征最慢的横向弛豫，是Hopf规范形所表示的主导衰减率；相位相似度在所有观测点上平均约为0.88，而限制在距极限环0.01以内的点时超过0.99。通过检查估计观测映射??=???(??)可知，二维Hopf规范形状态空间被映射为嵌入三维观测空间的二维子流形，提供潜在状态表示的几何解释：振荡动力学可在极限环邻域由两个潜在坐标表示；严格而言逆映射??=???^?1(??)仅在估计子流形上有定义，但状态空间公式仍对潜在状态赋予后验分布，从而将规范形变换概率性扩展到估计流形之外，适用于被测量噪声移出流形的观测及偏离吸引流形的瞬态轨迹。Goodwin实验提供证据表明该状态空间框架可同时推断主导振荡动力学的Hopf规范形表示并识别这些动力学所演化的有效二维流形；???与λ₂的接近一致表明，当存在多个非平凡横向指数时，二维表示捕获最慢（主导）横向模态，而更强收缩方向λ₃未被显式表示。

讨论部分总结如下：本研究提出将振荡时间序列变换为与Hopf规范形一致的表示的方法，从而推断自然频率、Floquet指数与渐近相位等内在动力学性质；核心思想是将Hopf规范形嵌入状态空间建模框架，使从观测数据到潜在规范形表示的变换以概率方式进行，观测到潜在状态的映射通过贝叶斯推断实现，提供对观测噪声与测量不确定性的稳健性；并引入复高斯过程回归对潜在状态估计在观测空间未观测区域进行插值，证明其在估计相位与幅值敏感函数方面的有效性。与传统基于相位与幅值约简的数据驱动方法（直接法、动态模式分解及其扩展、多项式回归、高斯过程回归、自编码器及系统辨识方法）不同，该框架提供不显式依赖相位-幅值分解的替代视角。从规范形理论看，Wilson近期提出通过解析关联规范形相位与幅值响应曲线与直接从数据估计的响应曲线来识别Hopf分岔附近动力系统，Araya等提出从波形测量推断耦合Stuart–Landau方程；本研究虽共享将Hopf规范形拟合观测数据的目标，但在状态空间框架内的概率表述上有根本不同，可原则性处理观测噪声、适应部分可观测性并提供不确定性量化，这些是确定性约简方法通常不具备的。数值实验证明该框架可从vdP振荡器产生的含噪振荡时间序列恢复Hopf规范形表示的参数与相位-幅值结构；在三维Goodwin模型上进一步测试，成功恢复自然频率与接近第二大指数λ₂的横向指数，表明当原系统具有多个非平凡横向模态时，该方法捕获主导的最慢横向模态，而更强收缩模态未被显式表示；Goodwin实验还表明该框架可通过推断观测映射识别观测三维动力学背后的有效二维流形，但该实验的局限在于所有状态变量均被观测，评估框架在显著不完全观测下的稳健性是未来重要方向。这些结果不应解释为确立三次Hopf规范形在其理论局部区域之外的定量有效性；一般而言，Hopf规范形表示 underlying nonlinear system的精度可能依赖距分岔的距离、非线性强度及规范形未捕获的额外动力学特征，因此该方法对强非线性或显著非局部区域的适用性需进一步研究。另一相关局限涉及观测映射：当观测映射强非线性时识别潜在规范形坐标可能变得困难，一种可能方向是采用更灵活的观测映射表示，如用自适应基展开或高斯过程模型替换多项式基。计算方面，该框架需序贯推断程序（滤波与平滑）及基于CGPR的插值，可能限制长序列或高维观测的可扩展性，开发高效近似、稀疏表示或降秩公式对实际大规模应用很重要。此外，当前表述限于超临界Hopf分岔系统，不意图从固定参数值的平稳振荡时间序列区分产生稳定振荡的不同机制；特别是亚临界Hopf分岔与周期轨道鞍结分岔共同产生的稳定周期振荡，其时间序列动力学可能无法仅基于平稳观测与超临界Hopf分岔唯一区分；此类机制识别通常需额外信息，如跨参数范围观测、扰动后瞬态轨迹或揭示局部稳定性与分岔结构的受控扰动数据。这也澄清了本框架的范围：主要目标是推断观测振荡动力学的Hopf规范形表示，而非仅从平稳数据识别全局分岔机制；尽管如此，概率状态空间表述为在适当数据可用时将框架扩展到其他规范形（包括亚临界Hopf、不变圆鞍结（SNIC）或pitchfork分岔相关规范形）提供了自然基础。最后，尽管本研究聚焦合成数据，应用于真实系统会引入非平稳性、测量伪影与模型失配等额外挑战；解决这些问题、将框架扩展到更广类分岔并纳入更具表达力的观测模型是未来研究的重要方向。

研究结论部分翻译：本研究提出了一种将振荡时间序列数据变换为与Hopf规范形一致表示的方法，从而能够推断自然频率、Floquet指数与渐近相位等内在动力学性质。该方法的核心思想是将Hopf规范形嵌入状态空间建模框架，使从观测数据到潜在规范形表示的变换以概率方式执行。具体而言，从观测到潜在状态的映射通过贝叶斯推断表述，这提供了对观测噪声与测量不确定性的稳健性。此外，研究人员引入了一种利用复高斯过程回归对潜在状态估计在观测空间未观测区域进行插值的方案，并证明了其在估计相位与幅值敏感函数方面的有效性。