Nous proposons un cadre d'apprentissage en ligne pour la prévision non linéaire
signaux spatio-temporels (champs). La méthode intègre (je) dimensionnalité
réduction, ici, une simple décomposition orthogonale appropriée (COSSE) projection;
(ii) un modèle autorégressif généralisé pour prévoir une dynamique réduite, ici, un
ordinateur de réservoir; (iii) adaptation en ligne pour mettre à jour l'ordinateur du réservoir
(le modèle), ici, assimilation de données séquentielles d’ensemble. Nous démontrons
cadre sur un sillage devant un cylindre régi par les équations de Navier-Stokes,
explorer l'assimilation des champs à flux complet (projeté sur les modes POD) et
capteurs clairsemés. Trois scénarios sont examinés: a na\”état physique
estimation; une double estimation des états physiques et des réservoirs; et un
estimation triple qui ajuste également les paramètres du modèle. Le double
la stratégie améliore considérablement la convergence d’ensemble et réduit la reconstruction
error compared to the na\”approche ive. L'approche en trois volets permet d'obtenir des
formation en ligne d'ordinateurs de réservoir partiellement formés, surmonter
limites d'une formation a priori. En unifiant l'ordre réduit basé sur les données
modélisation avec assimilation bayésienne de données, ce travail ouvre de nouvelles opportunités
pour un apprentissage de modèles en ligne évolutif pour la prévision de séries temporelles non linéaires.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: