卷积循环自编码器网络用于波动传播学习的评估
流体动力学
2022-10-12 v2 机器学习
声音
音频与语音处理
摘要
由于自然界中波传播的复杂物理特性以及广泛变化的环境参数和动力学尺度,构建通用的波传播物理模型具有挑战性。在本文中,我们提出卷积自编码器循环网络(CRAN)作为一种用于学习波传播现象的数据驱动模型。CRAN 由一个用于学习低维系统表示的卷积自编码器和用于低维系统演化的长短期记忆循环神经网络组成。我们表明,卷积自编码器在复杂波传播现象的降维上显著优于基于投影的方法,因为它可以直接学习类似波特征的子空间。另一方面,基于投影的模态被限制在 Fourier 子空间内。卷积自编码器的几何先验能够选择性地尺度分离复杂波动力学,进一步增强了其降维能力。我们还证明,卷积自编码器的平移等变性与平移不变性等几何先验实现了低维映射的泛化学习。因此,将卷积自编码器与专为自回归建模设计的长短期记忆网络相连的复合 CRAN 模型,可在期望的时间范围内执行泛化波传播预测。数值实验显示,对于训练外情形,CRAN 预测与真实解相比平均结构相似性指数为 90%,且大多数情形的逐点 误差小于 10%,验证了此类泛化论断。最后,CRAN 预测提供了与目标解相似的波特征模式,表明其不仅具有泛化性,也具有运动学一致性。
引用
@article{arxiv.2204.05573,
title = {Assessment of convolutional recurrent autoencoder network for learning wave propagation},
author = {Wrik Mallik and Rajeev K. Jaiman and Jasmin Jelovica},
journal= {arXiv preprint arXiv:2204.05573},
year = {2022}
}