.png){kind=icon}
返回
Dynamics-based predictions of infinite-dimensional complex systems using dynamical system deep learning method
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/adc53b.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测复杂的非线性混沌动力系统构成了跨多个学科的关键且艰巨的挑战。一种被称为动力系统深度学习（DSDL）的新方法最近被引入并应用于非线性混沌动力系统的预测。该方法不仅超越了现有技术，还提取了目标动力系统的关键变量，从而为“黑箱”问题提供了一种可行的解决方案。然而，目前该方法主要关注于预测有限维动力系统，但现实世界现象主要受偏微分方程（PDEs）支配。本研究选择具有时空动力学的耦合常微分方程组Lorenz' 96系统和Kuramoto-Sivashinsky PDE作为无限维动力系统的代表性示例，以评估DSDL的有效性。我们还与包括ANN、RC-ESN、LSTM、NG-RC和SINDy在内的几种主流方法进行了比较。研究发现，DSDL方法在PDEs预测中表现出卓越的性能。在长期预测中，DSDL的结果与参考真值的统计特性最为吻合，优于上述其他方法。最后，本研究讨论了DSDL在预测动力系统中的有效性、效率及优越性，以及其在关键变量提取方面的显著贡献。
Keyword:
dynamical system deep learning
infinite-dimensional dynamical systems
deep learning methods
期刊
M
IF:
4.6
论文数:
1.1K
被引数:
3.4K
机构
暂无机构信息
引用论文
分享收藏Predicting multiple observations in complex systems through low-dimensional embeddings通过低维嵌入预测复杂系统中的多个观测值.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏分享收藏
查看更多内容