基于深度学习的含噪混沌时间序列无模型预测
机器学习
2017-10-05 v1 计算物理
数据分析、统计与概率
摘要
我们提出了一种深度神经网络，用于从含噪观测中对混沌动力系统进行无模型预测。所提出的深度学习模型旨在预测状态变量的条件概率分布。采用长短期记忆网络（LSTM）对非线性动力学进行建模，并使用softmax层来近似概率分布。通过最小化正则化的交叉熵函数来训练LSTM模型。该LSTM模型在延迟时间混沌动力系统——Mackey-Glass方程和Ikeda方程上进行了验证。结果表明，当前的LSTM通过有效滤除噪声，能够对非线性动力学做出良好的预测。研究发现，LSTM模型多步预测的预测不确定性不是时间的单调函数；预测的标准差可能随时间动态地增加或减少。
引用
@article{arxiv.1710.01693,
title = {Model-free prediction of noisy chaotic time series by deep learning},
author = {Kyongmin Yeo},
journal= {arXiv preprint arXiv:1710.01693},
year = {2017}
}