结合机器学习与数据同化从含噪部分观测中预报动力系统
机器学习
2021-10-27 v2 计算物理
数据分析、统计与概率
摘要
我们提出一种监督学习方法，从部分且含噪的观测中学习动力系统的传播子映射。在我们这一计算代价低且易于实现的框架中，一个由随机特征映射构成的神经网络在数据同化过程中由不断到来的观测依次训练。通过运用 Takens 嵌入定理，该网络在延迟坐标上训练。我们表明，这种称为 RAFDA 的随机特征映射与数据同化之结合，优于使用批量数据学习动力学的标准随机特征映射。
引用
@article{arxiv.2108.03561,
title = {Combining machine learning and data assimilation to forecast dynamical systems from noisy partial observations},
author = {Georg A. Gottwald and Sebastian Reich},
journal= {arXiv preprint arXiv:2108.03561},
year = {2021}
}