端到端与序列数据驱动流体流动学习的评估
计算物理
2020-10-28 v3
摘要
本工作中，我们探索前馈神经网络（FFNN）所提供的多层映射端到端学习在从瞬态流体流动数据学习和预测动力学方面的优势。尽管机器学习总体上依赖于相对于系统底层动力学的数据质量与数量，但给定学习架构充分利用这些可用信息十分重要。为此，我们关注数据驱动问题，其中需要在数据有限的情况下合理预测未来一段时间。此类函数逼近或时间序列预测不同于许多利用海量数据集的机器学习应用，如模式识别与参数估计。本研究中，我们将近期流行的一系列在数据驱动高维特征空间中以马尔可夫线性模型近似动力学的方法解释为类似于神经网络的多层架构。
引用
@article{arxiv.1806.08234,
title = {Assessment of End-to-End and Sequential Data-driven Learning of Fluid Flows},
author = {Shivakanth Chary Puligilla and Balaji Jayaraman},
journal= {arXiv preprint arXiv:1806.08234},
year = {2020}
}
备注
Article in review