Proponiamo un quadro di apprendimento online per la previsione non lineare
segnali spazio-temporali (campi). Il metodo integra (io) dimensionalità
riduzione, Qui, una semplice scomposizione ortogonale propria (POD) proiezione;
(ii) un modello autoregressivo generalizzato per prevedere una dinamica ridotta, Qui, UN
computer del serbatoio; (iii) adattamento online per aggiornare il computer del serbatoio
(il modello), Qui, Assimilazione sequenziale di dati di insieme. Dimostriamo la
struttura su una scia oltre un cilindro governato dalle equazioni di Navier-Stokes,
esplorare l’assimilazione dei campi a flusso completo (proiettato sulle modalità POD) E
sensori sparsi. Vengono esaminati tre scenari: a na\”stato fisico vivo
stima; una duplice stima degli stati fisici e di giacimento; e un
stima tripla che aggiusta anche i parametri del modello. Il duplice
La strategia migliora significativamente la convergenza dell’insieme e riduce la ricostruzione
error compared to the na\”approccio ive. Il triplice approccio consente robustezza
formazione online di computer del serbatoio parzialmente addestrati, superamento
limiti della formazione a priori. Unificando l’ordine ridotto basato sui dati
modellazione con assimilazione dati bayesiana, questo lavoro apre nuove opportunità
per l'apprendimento di modelli online scalabili per la previsione di serie temporali non lineari.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: