@第{CiCP-32-1条，author={大曼，沃尔夫冈·王，敏，王，朱}，title={状态估计的非线性约简DNN模型}，journal={计算物理中的通信}，年份={2022}，体积={32}，数字={1}，页数={1--40}，摘要={本文提出了一种数据驱动的状态估计方案，用于生成PDE参数族的非线性简化模型，直接提供数据到状态映射，用深度神经网络表示。主要成分是一个传感器诱导的模型兼容希尔伯特空间分解，保证在问题相关度量中近似。它的作用与参数化基于约化基概念的状态估计的背景数据弱框架。大量的数值测试揭示了以下几个优化策略以提高此类估计器的稳健性和性能。
},issn＝{1991-7120}，doi={https://doi.org/10.4208/cicp.OA-2021-0217},网址={http://global-sci.org/intro/article_detail/cicp/20787.html}}
TY-JOUR公司状态估计的T1-非线性约简DNN模型AU-达尔曼，沃尔夫冈AU-王敏AU-Wang、ZhuJO-计算物理通信VL-1型SP-1EP-402022年上半年DA-2022/07年序号-32做-http://doi.org/10.4208/cicp.OA-2021-0217UR-（欧元）https://global-sci.org/intro/article_detail/cicp/20787.htmlKW-模型兼容规范中的状态估计、深层神经网络、传感器坐标、约简基、ResNet结构、网络扩展。AB公司-本文提出了一种数据驱动的状态估计方案，用于生成PDE参数族的非线性简化模型，直接提供数据到状态图，用深度神经网络表示。主要成分是一个传感器诱导的模型兼容希尔伯特空间分解，保证问题相关度量的近似。它的作用与参数化基于约化基概念的状态估计的背景数据弱框架。大量的数值测试揭示了以下几个优化策略以提高此类估计器的稳健性和性能。
Wolfgang Dahmen、Min Wang和Zhu Wang。(2022). 状态估计的非线性约简DNN模型。计算物理学中的通信.32(1).1-40.doi:10.4208/cicp。OA-2021-0217号文件
复制到剪贴板
