Mar, 2018

混合预测混沌过程：机器学习与基于知识的模型相结合

PDF
TL;DR提出了一种混合预测方法，将基于知识的模型和机器学习技术相结合，以预测混沌动力系统的演化，并得到了极其令人满意的结果。
model-based approachmachine learninghybrid forecastingchaotic systemsreservoir computing
发现论文，激发创造
  • 将数据同化和机器学习相结合，从稀疏嘈杂的观测数据中模拟动力学模型：以 Lorenz 96 模型为例研究

    该研究介绍了一种新的方法，该方法基于数据同化和机器学习的组合，以模拟隐藏的、可能是混沌的动态和预测它们的未来状态。该方法通过迭代应用数据同化步骤和神经网络来更新替代模型，并证明了方法对于低维系统具有成功的协同作用，鼓励进一步研究更复杂的动态系统。

    Jan, 2020

  • 机器学习实现的吸引子重构

    利用名为 “储集计算” 的机器学习方法成功地进行了混沌动力系统的短期预测和吸引子重构研究。我们提出了一个理论框架，描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件，并通过数值实验说明了这个理论。我们还认为这个理论适用于某些其他时间序列预测的机器学习方法。

    May, 2018

  • 运用机器学习技术纠正数据同化和预测应用中的模型误差

    本研究将机器学习和数据同化相结合，提出了一种迭代方法来纠正现有知识型模型的误差，为地球科学建立了一个混合替代模型，该模型在短期到中期范围内有更好的预测表现

    Oct, 2020

  • 结合数据同化和机器学习推断未解决的尺度参数化

    本文提出了一种基于机器学习和数据同化的方法，用于从具有噪声和稀疏观测的直接数据中训练基于参数化模型的机器学习模型，在 Lorenz 模型和 MAOOAM 模型中证明，相较于截断模型，该模型具有更好的对系统吸引子的预测能力和更好的预测技能。

    Sep, 2020

  • 基于物理信息的机器学习控制方法在高噪声测量下的非线性动态系统中的应用

    该研究提出了一种基于物理信息的机器学习控制方法，用于具有高噪声测量的非线性动态系统。结果表明，该方法在高噪声条件下的非线性动态系统的建模准确性和控制性能方面优于现有的基准方法。

    Nov, 2023

  • 在线机器学习用于顺序数据同化的预测不确定性估计

    本研究提出一种基于卷积神经网络的机器学习方法，利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计，并在杂交数据同化方法中进行性能测试，证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。

    May, 2023

  • 将科学知识与机器学习相结合，用于工程和环境系统

    本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

    Mar, 2020

  • 无模型的复杂动态轨迹跟踪控制与机器学习

    通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

    Sep, 2023

  • 使用机器学习控制动态系统达到复杂目标状态：下一代与经典的储层计算

    应用机器学习控制混沌参数 Lorenz 系统，研究表明下一代水库计算在数据有限的情况下可以显著优于传统水库计算，并在实际控制应用中具有进一步潜力。

    Jul, 2023

  • 从回归测度中检测动态状态的机器学习方法

    通过机器学习方法和非线性时间序列分析，我们利用循环度量对时间序列产生的各种动力学状态进行分类，并使用逻辑回归、随机森林和支持向量机这三种机器学习算法进行研究。我们的输入特征来自非线性时间序列的循环量化和相应循环网络的特征度量。通过从标准非线性动力学系统生成合成数据以进行训练和测试，我们评估了机器学习算法在将时间序列分类为周期性、混沌、超混沌或噪声分类中的效率和性能。此外，我们探索了分类方案中输入特征的重要性，并发现量化循环点密度的特征最相关。此外，我们还展示了经过训练的算法如何成功预测两颗变量星 SX Her 和 AC Her 的动力学状态，使用它们的光曲线数据。

    Jan, 2024