×
徐浩;常，海滨;张冬晓

DLGA-PDE：通过深度学习和遗传算法相结合发现候选库不完整的PDE。 （英语） Zbl 07506161号

J.计算。物理学。 418，文章ID 109584，14 p.（2020）.
摘要：最近发展了数据驱动的方法来发现物理问题的潜在偏微分方程（PDE）。然而，对于这些方法，通常需要PDE中潜在术语的完整候选库。为了克服这一局限性，我们提出了一种结合深度学习和遗传算法的新框架，称为DLGA-PDE，用于发现PDE。在该框架中，利用物理问题的可用数据训练深度神经网络生成元数据并计算导数，然后使用遗传算法发现潜在的PDE。由于遗传算法的优点，如变异和交叉，DLGA-PDE可以使用不完整的候选库。为了证明概念，对提出的DLGA-PDE分别进行了测试，以发现Korteweg-de-Vries（KdV）方程、Burgers方程、波动方程和Chaffee-Infante方程。即使在存在噪声和有限数据的情况下，也无需完整的候选库即可获得令人满意的结果。

引用于16文件

理学硕士：

68倍 计算机科学
86年X月X日 地球物理学

关键词：

PDE发现;不完整的候选库;机器学习;深度神经网络;遗传算法

软件：

网络电话;PDE-网络
PDF格式BibTeX公司 XML格式引用
\textit{H.Xu}等人，J.Compute。物理学。418，文章ID 109584，第14页（2020；Zbl 07506161）
全文： 内政部 arXiv公司

参考文献：

[1] Brunton，S.L。；Proctor，J.L。；库茨，J.N。；Bialek，W.，通过非线性动力系统的稀疏识别从数据中发现控制方程，Proc。国家。阿卡德。科学。美国，1133932-3937（2016）·Zbl 1355.94013号
[2] Chang，H。；Zhang，D.，从数据中学习地下水流方程，计算机。地质科学。，23, 895-910 (2019) ·Zbl 1425.86003号
[3] 鲁迪，S.H。；Brunton，S.L。；Proctor，J.L。；Kutz，J.N.，偏微分方程的数据驱动发现，科学。高级，3，1-7（2017）
[4] 谢弗，H。；McCalla，S.G.，《通过积分项选择稀疏模型》，Phys。E版，96，第1条pp.（2017）
[5] Schaeffer，H.，通过数据发现和稀疏优化学习偏微分方程，Proc。R.Soc.A，数学。物理学。工程科学。，473 (2017) ·Zbl 1404.35397号
[6] 张，S。；Lin，G.，《利用误差棒对支配物理定律进行稳健的数据驱动发现》，Proc。R.Soc.A，数学。物理学。工程科学。，474 (2018) ·Zbl 1407.62267号
[7] 莱斯，M。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号
[8] 长，Z。；卢，Y。；Dong，B.，PDE-Net 2.0：使用数字符号混合深度网络从数据中学习PDE，J.Compute。物理。，399 (2019) ·Zbl 1454.65131号
[9] Xu，H。；Chang，H。；Zhang，D.，DL-PDE:基于深度学习的数据驱动的从离散和噪声数据中发现偏微分方程（2019），第1-24页
[10] 秦，T。；Wu，K。；Xiu，D.，使用深度神经网络的数据驱动控制方程近似，J.Compute。物理。，395, 620-635 (2019) ·Zbl 1455.65125号
[11] Wu，K。；Xiu，D.，模态空间中偏微分方程的数据驱动深度学习（2019）
[12] 哈桑，A。；佩雷拉，J.M。；Ravier，R。；Farsiu，S.公司。；Tarokh，V.，使用神经网络从数据中学习偏微分方程（2019年）
[13] 李，H。；施瓦布，J。；Antholzer，S。；Haltmeier，M.，NETT：用深度神经网络解决逆问题，逆问题。，1-21 (2020)
[14] Yan，L。；Zhou，T.，基于深度神经网络的大规模贝叶斯反问题自适应代理建模（2019），第1-22页
[15] 乔·H。；儿子H。；Hwang，H.J。；Kim，E.，正向问题的深度神经网络方法（2019），第1-12页
[16] 马萨利耶夫，M。；Hvatov，A。；Kalyuzhnaya，A.，数据驱动的PDE发现与进化方法（2019年）
[17] 阿特金森，S。；Subber，W。；Wang，L。；Khan，G。；哈维，P。；Ghanem，R.，自由形式控制微分方程的数据驱动发现（2019），第1-6页
[18] Gupta，D.K。；Vasudev，K.L。；Bhattacharyya，S.K.，基于遗传算法优化的非线性船舶操纵控制，应用。海洋研究，74，142-153（2018）
[19] Tsoulos，I.G。；Lagaris，I.E.，用遗传编程求解微分方程，Genet。程序。进化。机器。，7, 33-54 (2006)
[20] Song，Y。；Wang，F。；Chen，X.，数值函数优化的改进遗传算法，应用。智力。，49, 1880-1902 (2019)
[21] Whitley，D.，《遗传算法教程》，统计计算。，4, 65-85 (1994)
[22] Zepeda-Nüñez，L。；陈，Y。；张杰。；贾伟。；张，L。；Lin，L.，《深度密度：通过对称性保持神经网络规避Kohn-Sham方程》（2019），第1-21页
[23] Chang，H。；张，D.，通过数据驱动和数据相似相结合的方法识别物理过程，J.Compute。物理。，393, 337-350 (2019) ·Zbl 1453.62797号
[24] Rudy，S。；Alla，A。；布伦顿，S.L。；Kutz，J.N.，参数偏微分方程的数据驱动识别，SIAM J.Appl。动态。系统。，18, 643-660 (2019) ·Zbl 1456.65096号
[25] 哈纳，J。；马，C。；马，Z。；E、 W.，基于统一精度机器学习的动力学方程流体动力学模型，Proc。国家。阿卡德。科学。美国，11621983-21991（2019）·Zbl 1431.76100号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不声称其完整性或完全匹配。