論文の概要: Deep Learning Enhanced Dynamic Mode Decomposition
- arxiv url: http://arxiv.org/abs/2108.04433v1
- Date: Tue, 10 Aug 2021 03:54:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 14:13:02.765569
- Title: Deep Learning Enhanced Dynamic Mode Decomposition
- Title（参考訳）: 深層学習による動的モード分割
- Authors: Christopher W. Curtis, Daniel Jay Alford-Lago, Opal Issan
- Abstract要約: 畳み込みオートエンコーダネットワークを用いて、観測対象の最適なファミリーを同時に見つける。
また,観測可能空間への流れの正確な埋め込みと,観測可能空間の流れ座標への浸漬も生成する。
このネットワークはフローのグローバルな変換をもたらし、EDMDとデコーダネットワークを介して将来の状態を予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Koopman operator theory shows how nonlinear dynamical systems can be
represented as an infinite-dimensional, linear operator acting on a Hilbert
space of observables of the system. However, determining the relevant modes and
eigenvalues of this infinite-dimensional operator can be difficult. The
extended dynamic mode decomposition (EDMD) is one such method for generating
approximations to Koopman spectra and modes, but the EDMD method faces its own
set of challenges due to the need of user defined observables. To address this
issue, we explore the use of convolutional autoencoder networks to
simultaneously find optimal families of observables which also generate both
accurate embeddings of the flow into a space of observables and immersions of
the observables back into flow coordinates. This network results in a global
transformation of the flow and affords future state prediction via EDMD and the
decoder network. We call this method deep learning dynamic mode decomposition
(DLDMD). The method is tested on canonical nonlinear data sets and is shown to
produce results that outperform a standard DMD approach.
- Abstract（参考訳）: クープマン作用素論は、非線形力学系がシステムの観測可能なヒルベルト空間上で作用する無限次元線型作用素として表現できることを示す。
しかし、この無限次元作用素の関連するモードと固有値を決定することは困難である。
拡張動的モード分解(EDMD)は、クープマンスペクトルとモードの近似を生成する方法の1つであるが、ユーザ定義のオブザーバブルを必要とするため、EDMD法は独自の課題に直面している。
この問題に対処するために,コンボリューション型オートエンコーダネットワークを用いて,観測可能な空間への正確な流れの埋め込みと,観測可能な物体のフロー座標への没入の両方を同時に生成する可観測器の最適ファミリーを探索する。
このネットワークはフローのグローバルな変換をもたらし、EDMDとデコーダネットワークを介して将来の状態を予測する。
我々はこの手法をディープラーニング動的モード分解 (DLDMD) と呼ぶ。
本手法は標準非線形データセット上で試験を行い,標準DMD手法よりも優れた結果が得られることを示した。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Rigged Dynamic Mode Decomposition: Data-Driven Generalized Eigenfunction Decompositions for Koopman Operators [0.0]
そこで我々は,Koopman演算子の一般化固有関数分解を計算するRiged Dynamic Mode Decomposition (Rigged DMD)アルゴリズムを提案する。
Rigged DMDは、クープマン作用素の分解基とその一般化固有関数を近似するデータ駆動方法論による課題に対処する。
例として、ルベーグスペクトルを持つ系、可積分ハミルトニアン系、ローレンツ系、および2次元正方形空洞内のレイノルズ数蓋駆動流れについて述べる。
論文 参考訳（メタデータ） (2024-05-01T18:00:18Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Enhancing Predictive Capabilities in Data-Driven Dynamical Modeling with Automatic Differentiation: Koopman and Neural ODE Approaches [0.0]
クープマン作用素のデータ駆動近似は、複雑な力学によって特徴づけられるシステムの時間進化を予測することを約束している。
ここでは、観測可能な辞書とクープマン作用素の対応する近似の両方を同時に決定するEDMD-DLの修正について述べる。
論文 参考訳（メタデータ） (2023-10-10T17:04:21Z) - Beyond expectations: Residual Dynamic Mode Decomposition and Variance
for Stochastic Dynamical Systems [8.259767785187805]
ダイナミックモード分解(Dynamic Mode Decomposition, DMD)は、プロジェクションベースの手法のポスターチャイルドである。
統計的コヒーレンシーを測るための分散擬似スペクトルの概念を導入する。
本研究は、シミュレーションデータと実験データの両方を用いた実用的応用を結論付けている。
論文 参考訳（メタデータ） (2023-08-21T13:05:12Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2023-04-03T13:13:19Z) - Learned Lifted Linearization Applied to Unstable Dynamic Systems Enabled
by Koopman Direct Encoding [11.650381752104296]
DMDや他のデータ駆動手法は不安定なシステムに適用した場合、クープマンモデルを構築する上で根本的な困難に直面していることが知られている。
ここでは, 非線形状態方程式に関する知識を, 有効観測値の集合を見つけるための学習手法に組み込むことで, 問題を解く。
提案手法は既存のDMDおよびデータ駆動方式よりも劇的に改善されている。
論文 参考訳（メタデータ） (2022-10-24T20:55:46Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳（メタデータ） (2021-04-28T22:14:25Z) - Estimating Koopman operators for nonlinear dynamical systems: a
nonparametric approach [77.77696851397539]
Koopman演算子は非線形系の線形記述を可能にする数学的ツールである。
本稿では,その核となる部分を同一フレームワークのデュアルバージョンとして捉え,それらをカーネルフレームワークに組み込む。
カーネルメソッドとKoopman演算子との強力なリンクを確立し、Kernel関数を通じて後者を推定する。
論文 参考訳（メタデータ） (2021-03-25T11:08:26Z) - Extraction of Discrete Spectra Modes from Video Data Using a Deep
Convolutional Koopman Network [0.0]
クープマン理論の最近の深層学習拡張は、非線形力学系のコンパクトで解釈可能な表現を可能にした。
ディープ・クープマン・ネットワークはコープマン固有関数を学習し、座標変換を捉え、システムダイナミクスを大域的に線形化する。
離散スペクトルを持つ力学系における独立モードの自動同定における深い畳み込みクープマンネットワーク(CKN)の機能を示す。
論文 参考訳（メタデータ） (2020-10-19T06:26:29Z) - Applications of Koopman Mode Analysis to Neural Networks [52.77024349608834]
我々は,ニューラルネットワークのトレーニング過程を,高次元の重み空間に作用する力学系と考える。
アーキテクチャに必要なレイヤ数を決定するために、Koopmanスペクトルをどのように利用できるかを示す。
また、Koopmanモードを使えば、ネットワークを選択的にプーンしてトレーニング手順を高速化できることを示す。
論文 参考訳（メタデータ） (2020-06-21T11:00:04Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。