基于深度LSTM混合模型的高维混沌系统预测
信号处理
2020-02-04 v1 神经与进化计算
摘要
我们提出一种将深度长短期记忆(LSTM)模型与动力系统的不精确经验模型相结合的混合方法，用于预测高维混沌系统。通过叠加多个循环神经网络层将深度层次编码进LSTM，并用Adam优化算法训练该混合模型。在均方根误差(RMSE)和异常相关系数(ACC)准则下，分别使用单层LSTM、多层LSTM及相应混合方法获得Mackey-Glass系统与Kuramoto-Sivashinsky系统的统计结果。数值结果表明，所提方法在重构混沌吸引子时能有效避免多层LSTM模型的快速发散，并证明了基于梯度下降法的深度学习与经验模型相结合的可行性。
引用
@article{arxiv.2002.00799,
title = {A hybrid model based on deep LSTM for predicting high-dimensional chaotic systems},
author = {Youming Lei and Jian Hu and Jianpeng Ding},
journal= {arXiv preprint arXiv:2002.00799},
year = {2020}
}