用于动力系统辨识与预测的双线性残差神经网络
机器学习
2017-12-20 v1 信号处理
数据分析、统计与概率
摘要
随着大规模观测与仿真数据集可用性的提升，数据驱动表示作为动力系统的高效且相关的计算表示，在广泛应用领域中崭露头角，而基于常微分方程的模型驱动模型仍是最先进（state-of-the-art）的方法。本工作中，我们研究将神经网络（NN）作为此类系统的具有物理意义的的数据驱动表示。通过将 Runge-Kutta 方法重新解释为图模型，我们考虑一种残差 NN 架构并引入双线性层以嵌入作为动力系统内在特征的非线性。通过对经典动力系统的数值实验，我们证明了所提基于 NN 的架构在预测性能与模型辨识两方面的相关性。
引用
@article{arxiv.1712.07003,
title = {Bilinear residual Neural Network for the identification and forecasting of dynamical systems},
author = {Ronan Fablet and Said Ouala and Cedric Herzet},
journal= {arXiv preprint arXiv:1712.07003},
year = {2017}
}
备注
Submitted