Combining machine learning and data assimilation to forecast dynamical systems from noisy partial observations
- We present a supervised learning method to learn the propagator map of a dynamical system from partial and noisy observations. In our computationally cheap and easy-to-implement framework, a neural network consisting of random feature maps is trained sequentially by incoming observations within a data assimilation procedure. By employing Takens's embedding theorem, the network is trained on delay coordinates. We show that the combination of random feature maps and data assimilation, called RAFDA, outperforms standard random feature maps for which the dynamics is learned using batch data.
| Verfasserangaben: | Georg A. GottwaldORCiDGND, Sebastian ReichORCiDGND |
|---|---|
| DOI: | https://doi.org/10.1063/5.0066080 |
| ISSN: | 1054-1500 |
| ISSN: | 1089-7682 |
| Pubmed ID: | https://pubmed.ncbi.nlm.nih.gov/34717332 |
| Titel des übergeordneten Werks (Englisch): | Chaos : an interdisciplinary journal of nonlinear science |
| Verlag: | AIP |
| Verlagsort: | Melville |
| Publikationstyp: | Wissenschaftlicher Artikel |
| Sprache: | Englisch |
| Datum der Erstveröffentlichung: | 12.10.2021 |
| Erscheinungsjahr: | 2021 |
| Datum der Freischaltung: | 22.06.2023 |
| Band: | 31 |
| Ausgabe: | 10 |
| Aufsatznummer: | 101103 |
| Seitenanzahl: | 8 |
| Fördernde Institution: | Deutsche Forschungsgemeinschaft (DFG)German Research Foundation (DFG) [318763901-SFB1294] |
| Organisationseinheiten: | Mathematisch-Naturwissenschaftliche Fakultät / Institut für Mathematik |
| DDC-Klassifikation: | 5 Naturwissenschaften und Mathematik / 53 Physik / 530 Physik |
| Peer Review: | Referiert |
