新的神经网络扰动方法提高了混沌系统预测精度

研究人员开发了一种新颖的数据驱动方法，用于学习非线性状态空间模型中的扰动项，这项技术对于提高混沌系统预测的准确性至关重要。这种被称为神经网络扰动的方法，在理论上基于 Kazantzis--Kravaris--Luenberger 观测器理论。该方法已成功应用于三个以混沌行为著称的基准问题：Lorenz 96 模型、Kuramoto--Sivashinsky 方程和 Kolmogorov 流。 AI

影响 该方法有望提高处理混沌系统的领域（如天气预报或流体动力学）中预测模型的准确性。

排序理由 关于混沌动力学系统新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• Jaemin Oh
• Kazantzis--Kravaris--Luenberger
• Kuramoto--Sivashinsky equation
• ScienceCast

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →