論文の概要: Forecasting the Forced Van der Pol Equation with Frequent Phase Shifts Using a Reservoir Computer
- arxiv url: http://arxiv.org/abs/2404.14651v1
- Date: Tue, 23 Apr 2024 01:18:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 15:41:14.919023
- Title: Forecasting the Forced Van der Pol Equation with Frequent Phase Shifts Using a Reservoir Computer
- Title(参考訳): 貯留層コンピュータを用いた周波数位相シフトによる強制ファンデルポル方程式の予測
- Authors: Sho Kuno, Hiroshi Kori,
- Abstract要約: Reservoir Computer(RC)は、計算効率を達成するためのリカレントニューラルネットワーク(RNN)フレームワークである。
RCは、外部駆動振幅が徐々に変化する非正則力学系の予測に有効である。
- 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: A reservoir computer (RC) is a recurrent neural network (RNN) framework that achieves computational efficiency where only readout layer training is required. Additionally, it effectively predicts nonlinear dynamical system tasks and has various applications. RC is effective for forecasting nonautonomous dynamical systems with gradual changes to the external drive amplitude. This study investigates the predictability of nonautonomous dynamical systems with rapid changes to the phase of the external drive. The forced Van der Pol equation was employed for the base model, implementing forecasting tasks with the RC. The study findings suggest that, despite hidden variables, a nonautonomous dynamical system with rapid changes to the phase of the external drive is predictable. Therefore, RC can offer better schedules for individual shift workers.
- Abstract(参考訳): 貯水池コンピュータ (RC) は、リカレントニューラルネットワーク (RNN) フレームワークであり、読み出し層トレーニングのみを必要とする計算効率を達成する。
さらに、非線形力学系のタスクを効果的に予測し、様々な応用がある。
RCは、外部駆動振幅が徐々に変化する非正則力学系の予測に有効である。
本研究では,外部駆動の位相に急激な変化を伴う非線形力学系の予測可能性について検討した。
強制的なファンデルポル方程式はベースモデルに採用され、RCで予測タスクを実装した。
本研究は, 隠れ変数にも拘わらず, 外部駆動の位相に急激な変化を伴う非線形力学系が予測可能であることを示唆している。
そのため、RCは個々のシフトワーカーにより良いスケジュールを提供することができる。
関連論文リスト
- Physical Reservoir Computing Enabled by Solitary Waves and
Biologically-Inspired Nonlinear Transformation of Input Data [0.0]
Reservoir Computing (RC) システムはランダム接続を持つ人工ニューラルネットワークの非線形力学特性を用いてカオス時系列を効率的に予測することができる。
本稿では,生体内脳内の非線形過程に着想を得て,入力データの非線形変換にランダム性の影響を代用する物理RCシステムについて実験的に検証する。
論文 参考訳(メタデータ) (2024-01-03T06:22:36Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳(メタデータ) (2023-07-14T07:05:17Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model
Predictive Control [49.60520501097199]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳(メタデータ) (2022-10-23T00:45:05Z) - Continual Learning of Dynamical Systems with Competitive Federated
Reservoir Computing [29.98127520773633]
継続的な学習は、以前の動的体制なしで急激なシステム変更に迅速に適応することを目的としている。
本研究は,連続学習に基づく貯水池計算へのアプローチを提案する。
このマルチヘッド貯水池は、複数の力学系における干渉や忘れを最小化する。
論文 参考訳(メタデータ) (2022-06-27T14:35:50Z) - Gradient-Enhanced Physics-Informed Neural Networks for Power Systems
Operational Support [36.96271320953622]
本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。
提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
論文 参考訳(メタデータ) (2022-06-21T17:56:55Z) - 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) - Online Reinforcement Learning Control by Direct Heuristic Dynamic
Programming: from Time-Driven to Event-Driven [80.94390916562179]
時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。
ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。
イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
論文 参考訳(メタデータ) (2020-06-16T05:51:25Z) - 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。
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。