Wir schlagen ein Online-Lernframework für nichtlineare Prognosen vor
räumlich-zeitliche Signale (Felder). Die Methode integriert (ich) Dimensionalität
Reduktion, Hier, eine einfache richtige orthogonale Zerlegung (POD) Vorsprung;
(ii) ein verallgemeinertes autoregressives Modell zur Vorhersage reduzierter Dynamik, Hier, A
Reservoircomputer; (iii) Online-Anpassung zur Aktualisierung des Reservoircomputers
(das Modell), Hier, Ensemble sequentielle Datenassimilation. Wir demonstrieren die
Rahmen auf einer Spur hinter einem Zylinder, der durch die Navier-Stokes-Gleichungen bestimmt wird,
Erforschung der Assimilation von Full-Flow-Feldern (projiziert auf POD-Modi) Und
spärliche Sensoren. Es werden drei Szenarien untersucht: a na\”ive körperliche Verfassung
Schätzung; eine zweifache Schätzung des physikalischen Zustands und des Reservoirzustands; und a
dreifache Schätzung, die auch die Modellparameter anpasst. Das Zweifache
Die Strategie verbessert die Ensemblekonvergenz erheblich und reduziert die Rekonstruktion
error compared to the na\”ive Ansatz. Der dreifache Ansatz ermöglicht Robustheit
Online-Schulung von teilweise trainierten Reservoircomputern, Überwindung
Einschränkungen des A-priori-Trainings. Durch die Vereinheitlichung datengesteuerter reduzierter Ordnung
Modellierung mit Bayes'scher Datenassimilation, Diese Arbeit eröffnet neue Möglichkeiten
für skalierbares Online-Modelllernen für nichtlineare Zeitreihenvorhersagen.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: