.png){kind=icon}
返回
Latent Diffeomorphic Dynamic Mode Decomposition
.png){kind=icon}
OA
AI
DOI：10.1016/j.aml.2025.109701.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新的数据降维方法——潜在微分同胚动态模态分解（LDDMD），用于非线性系统的分析，该方法结合了动态模态分解（DMD）的可解释性与循环神经网络（RNN）的预测能力。值得注意的是，LDDMD保持了简洁性，这增强了可解释性，同时能够有效建模和学习的具有记忆特性的复杂非线性系统，从而实现准确预测。这一点在其成功应用于径流预测中得到了例证。
Keyword:
Interpretable machine learning
Time series
Non-linear systems
Data reduction
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.8
论文数:
495
被引数:
1.1W
机构
引用论文
.png){kind=icon}
分享收藏De-biasing the dynamic mode decomposition for applied Koopman spectral analysis of noisy datasetsOAAI
OAAI分享收藏分享收藏
没有更多内容
没有更多内容