利用带迁移学习的回声状态网络预测浅水动力学
机器学习
2022-11-10 v2 数据分析、统计与概率
地球物理
摘要
在本文中，我们证明了储备池计算可用于学习浅水方程的动力学。具体而言，虽然先前大多数储备池计算的应用需要在特定轨迹上训练以进一步仅沿该轨迹预测演化，但我们展示了储备池计算能够预测具有训练过程中未见的初始条件的浅水方程轨迹。然而，在此设定下，我们发现对于具有与训练数据集中不同的环境参数（如总水高和平均速度）的初始条件，网络性能会退化。为规避这一缺陷，我们引入了一种迁移学习方法，其中使用具有相关环境参数的小型额外训练步骤来改善预测。
引用
@article{arxiv.2112.09182,
title = {Predicting Shallow Water Dynamics using Echo-State Networks with Transfer Learning},
author = {Xiaoqian Chen and Balasubramanya T. Nadiga and Ilya Timofeyev},
journal= {arXiv preprint arXiv:2112.09182},
year = {2022}
}