論文の概要: Variability of echo state network prediction horizon for partially observed dynamical systems

• arxiv url: http://arxiv.org/abs/2306.10797v1
• Date: Mon, 19 Jun 2023 09:37:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-21 18:26:11.603452
• Title: Variability of echo state network prediction horizon for partially observed dynamical systems
• Title（参考訳）: 部分観測力学系に対するエコー状態ネットワーク予測地平線の可変性
• Authors: Ajit Mahata, Reetish Padhi and Amit Apte
• Abstract要約: 本稿では,部分状態入力と完全状態出力を併用したエコー状態ネットワーク(ESN)フレームワークを提案する。 我々は,ESNがLyapunov数回までの短期的な予測が可能であることを実証した。 ノイズの多い数値データセットや実験データセットでトレーニングした場合でも,ESNはシステムのダイナミクスを効果的に学習できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Study of dynamical systems using partial state observation is an important problem due to its applicability to many real-world systems. We address the problem by proposing an echo state network (ESN) framework with partial state input with partial or full state output. The Lorenz system and Chua's oscillator (both numerically simulated and experimental systems) are used to check the effectiveness of our method. We demonstrate that the ESN, as an autonomous dynamical system, is capable of making short-term predictions up to a few Lyapunov times. However, the prediction horizon has high variability depending on the initial condition -- an aspect that we explore in detail. Further, using a variety of statistical metrics to compare the long-term dynamics of the ESN predictions with numerically simulated or experimental dynamics and observed similar results, we show that the ESN can effectively learn the system's dynamics even when trained with noisy numerical or experimental datasets. Thus, we demonstrate the potential of ESNs to serve as a cheap surrogate model for predicting the dynamics of systems where complete observations are unavailable.
• Abstract（参考訳）: 部分状態観測を用いた力学系の研究は、多くの実世界のシステムに適用できるため重要な問題である。 本稿では,部分状態入力と完全状態出力を併用したエコー状態ネットワーク(ESN)フレームワークを提案する。 LorenzシステムとChuaの発振器(数値シミュレーションおよび実験システムの両方)を用いて,本手法の有効性を検証した。 自律力学系としてのESNは、いくつかのリャプノフ時間の短期予測を行うことができることを示した。 しかしながら、予測の地平線は、初期条件(詳細を探求する側面)によって高いばらつきを持つ。 さらに,esn予測の長期ダイナミクスと数値シミュレーションや実験ダイナミクスを比較し,同様の結果を得た結果から,ノイズのある数値データセットや実験データセットでトレーニングしても,esnはシステムのダイナミクスを効果的に学習できることを示した。 そこで本研究では,ESNが完全な観測が不可能なシステムのダイナミクスを予測するための,安価な代理モデルとして機能する可能性を示す。

関連論文リスト

• Dynamical system prediction from sparse observations using deep neural networks with Voronoi tessellation and physics constraint [12.638698799995815]
  本稿では,Voronoi Tessellation (DSOVT) フレームワークを用いたスパース観測からの動的システム予測について紹介する。 ボロノイテッセルレーションと深層学習モデルを統合することで、DSOVTは疎く非構造的な観測で力学系の予測に適している。 純粋にデータ駆動モデルと比較して、我々の物理学に基づくアプローチは、明示的に定式化された力学の中で物理法則を学習することができる。
  論文  参考訳（メタデータ） (2024-08-31T13:43:52Z)
• Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems [49.50674348130157]
  本稿では,ニュートン・コーツの公式を用いた速度推定に基づく積分の予測手法を提案する。 いくつかのベンチマークの実験は、最先端の手法と比較して、一貫性と顕著な改善を実証的に示している。
  論文  参考訳（メタデータ） (2023-05-24T02:23:00Z)
• 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)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Can neural networks predict dynamics they have never seen? [0.4588028371034407]
  ニューラルネットワークは、広範囲の複雑なタスクで驚くほど成功したことが証明されている。 彼らの成功の1つは、適切なトレーニングデータセットが与えられた将来のダイナミクスを予測するスキルである。 これまでの研究では、リカレントニューラルネットワークのサブセットであるEcho State Networks(ESNs)が、リアプノフ時間よりも長くカオスシステムを予測できることが示されている。 この研究は、ESNがトレーニングセットに含まれるあらゆる行動と質的に異なる動的挙動を予測できることを著しく示している。
  論文  参考訳（メタデータ） (2021-11-12T15:49:34Z)
• Likelihood-Free Inference in State-Space Models with Unknown Dynamics [71.94716503075645]
  本研究では、状態空間モデルにおいて、観測をシミュレートすることしかできず、遷移ダイナミクスが不明な潜在状態の推測と予測を行う手法を提案する。 本研究では,限られた数のシミュレーションで状態予測と状態予測を行う手法を提案する。
  論文  参考訳（メタデータ） (2021-11-02T12:33:42Z)
• Learning to Assimilate in Chaotic Dynamical Systems [0.0]
  雑音観測のシーケンスから力学系における同化を学習するフレームワークであるアモーティズド・アシミレーションを導入する。 我々は、自己教師型認知から、微分可能シミュレーションを用いて動的システム設定まで、強力な結果を拡張することで、フレームワークのモチベーションを高める。
  論文  参考訳（メタデータ） (2021-11-01T16:07:34Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)
• 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)
• Neural Dynamical Systems: Balancing Structure and Flexibility in Physical Prediction [14.788494279754481]
  各種グレーボックス設定における動的モデルの学習方法であるNeural Dynamical Systems (NDS)を紹介する。 NDSはニューラルネットワークを使用してシステムの自由パラメータを推定し、残余項を予測し、将来状態を予測するために時間とともに数値的に統合する。
  論文  参考訳（メタデータ） (2020-06-23T00:50:48Z)

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。