基于深度学习方法的数据驱动多尺度Lorenz 96混沌系统预测:储层计算、ANN与RNN-LSTM
机器学习
2020-07-07 v3 动力系统
混沌动力学
机器学习
摘要
本文考察了三种深度学习方法在预测多尺度时空Lorenz 96系统短期演化及复现其长期统计特征方面的性能。这些方法为:回声状态网络(一种储层计算,RC-ESN)、深度前馈人工神经网络(ANN)以及带长短期记忆的循环神经网络(RNN-LSTM)。该Lorenz 96系统具有三层非线性相互作用变量,分别代表慢/大尺度()、中间()与快/小尺度()过程。在训练或测试中仅可得;与从未已知或使用。我们表明RC-ESN在短期预测上大幅优于ANN与RNN-LSTM,例如可准确预报混沌轨迹达数百个数值求解器时间步,相当于数个李雅普诺夫时间尺度。RNN-LSTM与ANN亦展现出一定预测能力;RNN-LSTM优于ANN。此外,即使在失去轨迹之后,RC-ESN与RNN-LSTM预测的数据其概率密度函数(PDF)仍与真实PDF紧密吻合,即便在尾部亦如此。而使用ANN预测的数据之PDF却偏离真实PDF。文中讨论了其对天气/气候等复杂非线性动力系统的数据驱动与数据辅助代理建模的启示、注意事项及应用。
引用
@article{arxiv.1906.08829,
title = {Data-driven prediction of a multi-scale Lorenz 96 chaotic system using deep learning methods: Reservoir computing, ANN, and RNN-LSTM},
author = {Ashesh Chattopadhyay and Pedram Hassanzadeh and Devika Subramanian},
journal= {arXiv preprint arXiv:1906.08829},
year = {2020}
}
备注
Some changes, in Figures, addition of an appendix etc has been done