迈向全物理信息回声状态网络——基于循环人工神经元的常微分方程逼近器
机器学习
2020-11-16 v1 混沌动力学
摘要
受近期理论论证启发，本文探讨了物理信息回声状态网络（ESN），尝试以完全物理信息方式训练储备池模型。作为此类目的的最简工作，设计了一个常微分方程（ODE）逼近器，以针对循环评估按顺序复现解。基于微分方程的主不变性，循环中的约束恰可形成，以保障基于ESN的ODE逼近器的恰当回归方法。此后，实际训练过程建立于两遍回归策略的思想之上。面向全物理信息储备池模型，本文以所提方法的计算结果展示了若干非线性动力学问题。
引用
@article{arxiv.2011.06769,
title = {Toward the Fully Physics-Informed Echo State Network -- an ODE Approximator Based on Recurrent Artificial Neurons},
author = {Dong Keun Oh},
journal= {arXiv preprint arXiv:2011.06769},
year = {2020}
}
备注
30 pages, 12 figures, research paper