Fugu-MT 論文翻訳(概要): Long-term prediction of chaotic systems with recurrent neural networks

論文の概要: Long-term prediction of chaotic systems with recurrent neural networks

arxiv url: http://arxiv.org/abs/2004.01258v1
Date: Fri, 6 Mar 2020 18:59:44 GMT
ステータス: 処理完了
システム内更新日: 2022-12-26 01:12:26.452130
Title: Long-term prediction of chaotic systems with recurrent neural networks
Title（参考訳）: リカレントニューラルネットワークを用いたカオスシステムの長期予測
Authors: Huawei Fan, Junjie Jiang, Chun Zhang, Xingang Wang, and Ying-Cheng Lai
Abstract要約: 貯水池計算システムは, 様々なカオス力学系の状態進化をモデルフリーでデータベースで予測するために最近利用されている。我々は,時間依存型だがスパースなデータ入力を貯水池コンピューティングに組み込んで,実際の状態のこのような稀な「更新」によって,任意に長い予測水平線が実現できることを実証する。
参考スコア（独自算出の注目度）: 1.1499361198674167
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Reservoir computing systems, a class of recurrent neural networks, have recently been exploited for model-free, data-based prediction of the state evolution of a variety of chaotic dynamical systems. The prediction horizon demonstrated has been about half dozen Lyapunov time. Is it possible to significantly extend the prediction time beyond what has been achieved so far? We articulate a scheme incorporating time-dependent but sparse data inputs into reservoir computing and demonstrate that such rare "updates" of the actual state practically enable an arbitrarily long prediction horizon for a variety of chaotic systems. A physical understanding based on the theory of temporal synchronization is developed.
Abstract（参考訳）: リカレントニューラルネットワークのクラスであるリザーバコンピューティングシステムは、様々なカオス力学系の状態進化をモデルフリーでデータベースで予測するために最近利用されている。予測の地平線はおよそ半ダースのライプノフ時間であった。これまで達成した以上の予測時間を大幅に延長することは可能ですか? 我々は,時間依存型だがスパースなデータ入力を貯水池コンピューティングに組み込んで,実際の状態のこのような稀な「更新」によって,様々なカオスシステムに対する任意の長期予測の地平線が実現できることを実証する。時間同期理論に基づく物理的理解が開発されている。

関連論文リスト

Constraining Chaos: Enforcing dynamical invariants in the training of recurrent neural networks [0.0]
本稿では,カオス力学系に対する機械学習に基づく予測手法の新しいトレーニング手法を提案する。この訓練は、リヤプノフ指数スペクトルやフラクタル次元のような動的不変量を適用し、限られたデータで操作する場合、より長くより安定した予測を可能にする。
論文参考訳（メタデータ） (2023-04-24T00:33:47Z)
Deep learning delay coordinate dynamics for chaotic attractors from partial observable data [0.0]
深層ニューラルネットワークを用いて離散時間マップと部分状態の連続時間フローを学習する。我々は, 3次元多様体上のスカラー観測から, ロレンツ系を経由したカオス挙動を予測するために, 深部ANNの能力を示す。
論文参考訳（メタデータ） (2022-11-20T19:25:02Z)
Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-11-16T06:28:20Z)
Delay Embedded Echo-State Network: A Predictor for Partially Observed Systems [0.0]
エコー状態ネットワーク(ESN)と部分観測状態の時間遅延埋め込みを用いて部分観測の予測器を開発する。提案手法は,Takenの埋め込み定理と非線形系の強い可観測性によって理論的に正当化される。
論文参考訳（メタデータ） (2022-11-11T04:13:55Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文参考訳（メタデータ） (2021-07-08T10:37:24Z)
Stochastic Recurrent Neural Network for Multistep Time Series Forecasting [0.0]
我々は、時系列予測のための繰り返しニューラルネットワークの適応を提案するために、深部生成モデルと状態空間モデルの概念の進歩を活用する。私たちのモデルは、すべての関連情報が隠された状態でカプセル化されるリカレントニューラルネットワークのアーキテクチャ的な動作を保ち、この柔軟性により、モデルはシーケンシャルモデリングのために任意のディープアーキテクチャに簡単に統合できます。
論文参考訳（メタデータ） (2021-04-26T01:43:43Z)
Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文参考訳（メタデータ） (2021-01-31T06:49:33Z)
Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文参考訳（メタデータ） (2020-10-08T20:25:52Z)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。