Incremental dynamic mode decomposition: A reduced-model learner operating at the low-data limit - 03/12/19
, Nicolas Hascoet a , Chady Ghnatios b , Amine Ammar c , Elias Cueto d , Jean Louis Duval e , Francisco Chinesta a, ⁎ , Roland Keunings f Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
| pages | 13 |
| Iconographies | 9 |
| Vidéos | 0 |
| Autres | 0 |
Abstract |
The present work aims at proposing a new methodology for learning reduced models from a small amount of data. It is based on the fact that discrete models, or their transfer function counterparts, have a low rank and then they can be expressed very efficiently using few terms of a tensor decomposition. An efficient procedure is proposed as well as a way for extending it to nonlinear settings while keeping limited the impact of data noise. The proposed methodology is then validated by considering a nonlinear elastic problem and constructing the model relating tractions and displacements at the observation points.
Le texte complet de cet article est disponible en PDF.Keywords : Machine learning, Advanced regression, Tensor formats, PGD, Mode decomposition, Nonlinear reduced modeling
Plan
Vol 347 - N° 11
P. 780-792 - novembre 2019 Retour au numéro
Article précédent
- Real-time Bayesian data assimilation with data selection, correction of model bias, and on-the-fly uncertainty propagation
- Paul-Baptiste Rubio, Ludovic Chamoin, François Louf
- Nonintrusive data-based learning of a switched control heating system using POD, DMD and ANN
- Tarik Fahlaoui, Florian De Vuyst
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.
Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’achat d’article à l’unité est indisponible à l’heure actuelle.
Déjà abonné à cette revue ?