混沌过程的混合预测
Towards Modeling Physically-Consistent, Chaotic Spatiotemporal Dynamics with Echo State Networks(2021):比较了BaseESN、PhyESN、HyESN
Combining Machine Learning with Knowledge-Based Modeling for Scalable Forecasting and Subgrid-Scale Closure of Large, Complex, Spatiotemporal Systems(2020):parallel与knowledge-based model结合
Hybrid Forecasting of Chaotic Processes: Using Machine Learning in Conjunction with a Knowledge-Based Model(2018):HyESN混合概念提出
非线性领域顶级期刊《Chaos》(影响因子为3.642)
三篇文章都提到了混合预测,三篇文章都建立在RC的基础上
![](https://img-blog.csdnimg.cn/img_convert/0e22d01d55b0addfd8af5c6d405015a5.png)
机器学习技术已经证明,在预测混沌系统时,完全根据过去对系统状态变量(训练数据)的时间序列测量,而无需事先了解系统动力学,能得到很有前景的结果,而文章想要填补机器学习在知识方面的空白,所以结合基于知识的模型和机器学习技术来构建混合预测方案。
![](https://img-blog.csdnimg.cn/img_convert/75dab223fa34afb7a4b3127e644b09c5.png)
Model
knowledge-based model,文章采用了imperfect model,通过误差参数的移动来模拟模型误差,认为这代表了未知形式的一般模型误差。其接受的输入与RC一样。
混合模型有两种混合方式,一种只将knowledge-based model的输出给RC的输出层(图2),另一种将knowledge-based model的输入给Reservoir与输出层,让他也在Reservoir中一同迭代演变(图3)。
![](https://img-blog.csdnimg.cn/img_convert/42f6a435c1d05ae0b10826a9befad4d0.png)
Results
总之可以实现1+1>2的效果
![](https://img-blog.csdnimg.cn/img_convert/8666cb3aa373abf01f325e88c828ac24.png)
Towards Modeling Physically-Consistent, Chaotic Spatiotemporal Dynamics with Echo State Networks中,PhyESN、HyESN在Lorenz系统上的表现并不如BaseESN,作者猜测这可能是因为洛伦兹系统相对简单,因此无法从有缺陷的模型的“提示”中获益。(但其他两篇文章中也使用了Lorenz系统得到了有提升的结果)