• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>International Conference on Computational Science >Learning Hidden States in a Chaotic System: A Physics-Informed Echo State Network Approach
【24h】

Learning Hidden States in a Chaotic System: A Physics-Informed Echo State Network Approach

机译：学习混沌系统中的隐藏状态：一种基于物理信息的回波状态网络方法

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We extend the Physics-Informed Echo State Network (PI-ESN) framework to reconstruct the evolution of an unmeasured state (hidden state) in a chaotic system. The PI-ESN is trained by using (ⅰ) data, which contains no information on the unmeasured state, and (ⅱ) the physical equations of a prototypical chaotic dynamical system. Non-noisy and noisy datasets are considered. First, it is shown that the PI-ESN can accurately reconstruct the unmeasured state. Second, the reconstruction is shown to be robust with respect to noisy data, which means that the PI-ESN acts as a denoiser. This paper opens up new possibilities for leveraging the synergy between physical knowledge and machine learning to enhance the reconstruction and prediction of unmeasured states in chaotic dynamical systems.
机译：我们扩展了物理信息回波状态网络（PI-ESN）框架，以重构混沌系统中未测状态（隐藏状态）的演化。 PI-ESN通过使用（trained）数据进行训练，该数据不包含有关未测量状态的信息，以及（ⅱ）原型混沌动力学系统的物理方程。考虑非噪声和噪声数据集。首先，表明PI-ESN可以准确地重建未测量状态。其次，对于噪声数据而言，重建显示出了鲁棒性，这意味着PI-ESN充当了降噪器。本文为利用物理知识和机器学习之间的协同作用来增强混沌动力学系统中不可测状态的重建和预测开辟了新的可能性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号