α=84.25. This oscillatory behavior results from a fixed point that occurs at α=72 having a shape of two-humped curve that becomes unstable and undergoes a Hopf bifurcation at α=83.75. First, Karhunen-Loève (KL) decomposition was used to extract five coherent structures of the oscillatory behavior capturing almost 100% of the energy. Based on the five coherent structures, a system offive ordinary differential equations (ODEs) whose dynamics is similar to the original dynamics of the KS equation was derived via KL Galerkin projection. Then, an autoassociative neural network was utilized on the amplitudes of the ODEs system with the task of reducing the dimension of the dynamical behavior to its intrinsic dimension, and a feedforward neural network was usedto model the dynamics at a future time. We show that by combining KL decomposition and neural networks, a reduced dynamical model of the KS equation is obtained."> 混合神经网络模型的动力学Kuramoto-Sivashinsky方程 - raybet雷竞app,雷竞技官网下载,雷电竞下载苹果

数学问题在工程

//文章

在这一页上

文摘版权

开放获取

体积 2004年 |文章的ID 894028年 | https://doi.org/10.1155/S1024123X0440101X

占席位Smaoui, ”混合神经网络模型的动力学Kuramoto-Sivashinsky方程”,数学问题在工程, 卷。2004年, 文章的ID894028年, 17 页面, 2004年。 https://doi.org/10.1155/S1024123X0440101X

混合神经网络模型的动力学Kuramoto-Sivashinsky方程

占席位Smaoui¹

¹科威特大学数学系和计算机科学,邮政信箱5969,Safat 13060年科威特

收到了 2004年1月02

修改后的 2004年2月14日

文摘

混合方法组成的两个神经网络用于模式振荡的动力学行为Kuramoto-Sivashinsky (KS)方程的分岔参数 α = 84.25 。这种振荡行为发生的结果从一个固定的角度 α = 72年 two-humped曲线的形状变得不稳定,经历一个霍普夫分岔 α = 83.75 。首先,Karhunen-Loeve(吉隆坡)分解被用来提取五个序结构的振荡行为捕获几乎100%的能量。基于五个序结构,系统offive常微分方程(常微分方程)的动力学相似的原始动力KS方程推导通过KL伽辽金投影。然后,autoassociative神经网络利用常微分方程系统的振幅与减少的任务维度的动态行为的内在维度,和前馈神经网络用于模型的动力在未来的时间。我们表明,通过KL分解和神经网络结合,减少了KS方程的动力学模型。

版权

版权©2004 Hindawi出版公司。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

PDF

下载引用

引用

订单打印副本订单

的观点163年

下载592年

引用

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。