Extended tensor decomposition model reduction methods: training, prediction, and design under uncertainty
本文提出基于稀疏非分离增强的扩展张量分解模型降阶方法,并结合 SCA 实现不确定性下的实时多尺度仿真与快速设计。
2023-11-04 cs.NA math.NA
Error bounds and analysis of proper orthogonal decomposition model reduction methods using snapshots from the solution and the time derivatives
Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文比较了两种正交分解降阶方法,通过解和时间导数快照生成降阶空间基,推导了误差界并分析了误差行为与快照间隔的关系。
2015-01-08 cs.NA math.NA
Model Order Reduction by Proper Orthogonal Decomposition
Universität Hamburg(汉堡大学);Universität Koblenz-Landau(科布伦茨-兰道大学);Universität Konstanz(康斯坦茨大学)
本文介绍基于正交分解的降阶方法,重点讨论非线性参数偏微分方程和非线性时间依赖偏微分方程,以及在偏微分方程约束优化中的应用。
2020-08-02 cs.NA math.NA
A Domain-Decomposition Model Reduction Method for Linear Convection-Diffusion Equations with Random Coefficients
Oak Ridge National Laboratory(橡树岭国家实验室)
本文提出一种域分解模型降维方法,用于处理具有随机系数的线性稳态对流-扩散方程,通过分解子域利用局部问题的低维结构,减少高维参数依赖的计算成本。
2018-02-12 cs.NA math.NA
Domain Decomposition Subspace Neural Network Method for Solving Linear and Nonlinear Partial Differential Equations
提出域分解子空间神经网络方法,结合域分解与子空间神经网络构造基函数,施加C^k连续性条件,用Picard和Newton迭代求解线性和非线性PDE,误差达10^-13,精度和效率优于PINNs等方法。
2025-05-27 cs.NA math.NA
Domain-decomposition least-squares Petrov-Galerkin (DD-LSPG) nonlinear model reduction
一种新的区域分解最小二乘Petrov-Galerkin(DD-LSPG)模型降阶法,适用于非线性代数方程的参数化系统(例如,由离散化参数化偏微分方程问题引起)。与以往的工作相比,我们采用了代数非重叠的分解策略,而不是空间分解策略,这有利于应用到不同的空间离散化计划。该方法不是以单片方式为整个状态空间构建低维子空间,而是为表征原始模型的不同子域/组件构建单独的子空间。在离线阶段,该方法构造低维基的内部和接口的组件。在联机阶段,该方法为每个组件构建一个LSPG ROM,并在连接它们的“端口”上强制执行强兼容性或弱兼容性。我们提出了四种不同的方法来构建减少基地的接口/端口的子域和几种方法来加强跨连接端口的兼容性。我们推导了DD-LSPG解的后验和先验误差界。在传热和流体动力学中的非线性基准问题上进行的数值结果表明,所提出的方法在精度和计算成本方面都表现良好,不同的基础和兼容性约束的选择产生不同的性能曲线。
2020-10-16 cs.NA math.NA
Deep orthogonal decomposition: a continuously adaptive data-driven approach to model order reduction
本研究提出深度正交分解(DOD)深度学习技术,通过连续自适应局部基的深度网络逼近解流形,突破全局方法的柯尔莫哥洛夫壁垒,兼容侵入/非侵入式技术,可解释性强且误差控制更优,为参数化偏微分方程降阶建模提供新方案。
2024-05-14 cs.NA math.NA
Model Reduction for a Pulsed Detonation Combuster via Shifted Proper Orthogonal Decomposition
TU Berlin(柏林工业大学)
本文提出了一种计算位移正交分解(sPOD)的新算法,用于处理多输运速度主导的系统。sPOD通过识别输运方向和速度并位移模式以跟踪输运,克服了传统方法如POD在输运主导现象中的性能问题。
2018-03-05 cs.NA math.NA
A data driven Koopman-Schur decomposition for computational analysis of nonlinear dynamics
针对DMD和EDMD中特征向量病态的问题,提出基于酉变换的Koopman-Schur分解框架,用不变子空间旗的模态分解替代特征向量分析,结合偏序Schur分解与核技巧实现非线性动力学的数据驱动Koopman模态分析。
2024-09-13 cs.NA math.NA
Randomized Symplectic Model Order Reduction for Hamiltonian Systems
在多查询或实时上下文中的大规模动力系统的仿真需要高效的代理建模技术,例如通过模型降阶(MOR)实现。最近,为了在MOR期间保持Hamilton结构,人们开发了复奇异值分解(cSVD)或类SVD分解等辛方法。在目前的贡献,我们展示了如何保辛结构的基础生成可以更有效地与随机矩阵分解。我们提出了一个随机的复杂SVD(rcSVD)算法和一个随机SVD(rSVD-like)分解。我们证明了高维系统的数值实验的方法的效率。
2023-03-07 cs.NA math.NA
Nonlinear Mode Decomposition: a new noise-robust, adaptive decomposition method
Lancaster University(兰卡斯特大学)
提出非线性模态分解(NMD),结合时频分析与替代数据检验,实现任意波形信号的自适应分解与降噪,在模拟和真实信号中优于现有方法。
2014-03-13 cs.NA math.NA
A global-in-time domain decomposition method for the coupled nonlinear Stokes and Darcy flows
研究了基于区域分解的时变非线性Stokes-Darcy模型的解耦迭代算法,该算法在渗流区和多孔介质中采用不同的时间步长。基于质量守恒的交界条件,将耦合系统转化为时空界面问题。非线性界面问题,然后解决了嵌套迭代方法,其中涉及,在每个牛顿迭代,线性化的接口问题的解决方案,并在每个Krylov迭代,时间相关的线性化的斯托克斯和达西问题的并行解决方案。因此,在时间上(和空间上)的局部离散化可以用来有效地处理在不同时间尺度上演化的耦合方程的多物理场系统。数值计算结果与时间网格,以说明所提出的方法的性能。
2020-07-03 cs.NA math.NA
Automatic Decoupling and Index-aware Model-Order Reduction for Nonlinear Differential-Algebraic Equations
将指数感知模型降阶方法推广到具有特殊非线性项f(Ex)的非线性微分代数方程系统,其中E是奇异矩阵.这种非线性微分-代数方程例如在管道网络中的气体流的空间离散化中出现。在实践中,由于复杂性和系统规模,现实生活中的过程的数学模型在用于数值模拟时提出了挑战。模型降阶旨在通过生成具有较低计算成本的降阶模型来消除这个问题,但准确地表示原始的大规模系统行为。然而,由于隐含约束影响数值积分方法和模型降阶技术的选择,非线性微分代数方程的直接降阶和模拟是困难的。我们提出了一个扩展的指数感知模型降阶方法的非线性微分代数方程没有任何形式的线性化。所提出的模型降阶方法涉及将非线性微分代数方程自动解耦为非线性常微分方程和代数方程。这允许对这两个部分应用标准的模型阶数缩减技术,而无需担心索引。同样的过程也可以用来模拟非线性微分-代数方程使用标准的积分计划。我们说明了我们所提出的方法的性能所产生的非线性微分代数方程在管网中的气体流动模型。
2020-02-22 cs.NA math.NA
Toward fitting structured nonlinear systems by means of dynamic mode decomposition
动态模态分解(DMD)是一种数据驱动的方法,用于识别复杂非线性系统的动态特性。它提取的重要特征的基本动力学使用测量的时域数据产生的无论是通过实验或数值模拟。在原始方法中,假设测量值通过线性算子近似相关。因此,线性离散时间系统拟合到给定的数据。然而,通常,对物理现象进行建模的非线性系统具有特定的已知结构。在这方面的贡献,我们提出了一种识别和减少方法的基础上,经典的DMD方法允许适合结构化的非线性系统的测量数据。我们主要关注两种类型的非线性:双线性和二次双线性。通过加强这种额外的结构,获得了更多的洞察力来提取原始过程的非线性行为。最后,我们展示了不同的例子,如Burgers方程和耦合的van der Pol振荡器所提出的方法。
2020-11-22 cs.NA math.NA
Nonlinear Model Reduction by Probabilistic Manifold Decomposition
Tongji University(同济大学)
本文提出概率流形分解方法,通过概率流形嵌入实现非线性模型降维,兼顾精度与效率,适用于流体动力学等工程领域。
2025-03-04 cs.NA math.NA
The shifted proper orthogonal decomposition: A mode decomposition for multiple transport phenomena
TU Berlin(柏林工业大学)
本文提出一种适用于传输主导现象的模型降维方法,通过引入时间依赖的快照矩阵位移扩展了proper orthogonal decomposition,有效分离了多个传输速度,实验表明其在传输主导现象中表现优异。
2018-02-17 cs.NA math.NA
A Comparative Analysis of Principal Component Analysis (PCA) and Singular Value Decomposition (SVD) as Dimensionality Reduction Techniques
Wingate University(威根大学)
本文从第一性原理推导并纯分析性地比较了主成分分析(PCA)与奇异值分解(SVD)两种降维技术的可解释性、数值稳定性及对不同矩阵形状的适用性,为算法选择提供了无需经验基准的经验法则。
2025-06-25 cs.CV cs.NA math.NA
Model order reduction for parameterized electromagnetic problems using matrix decomposition and deep neural networks
提出了一种求解参数化电磁散射问题的非侵入模型降阶方法。通过使用基于高阶间断Galerkin时域(DGTD)方法的全波求解器求解参数化的时域Maxwell方程组,针对材料参数的某些值,建立了收集高保真解的快照的数据库。为了进行先验降维,通过两步本征正交分解(POD)方法从数据库中提取一组降维基(RB)函数。通过卷积自动编码器(CAE)网络进一步压缩缩减基函数的投影系数。然后利用奇异值分解(SVD)提取CAE降阶矩阵的主成分,并采用基于三次样条插值(CSI)的方法逼近降阶矩阵的时间模态和参数模态。简化基的生成以及CAE和CSI的训练在离线阶段完成,因此可以通过插值模型和解码器网络的输出快速恢复给定时间/参数值的RB解。特别是,所提出的RB方法的离线和在线阶段是完全解耦的,这保证了该方法的有效性。所提出的CAE CSI ROM的性能示出了由2-D介质盘和多层非均匀介质的平面波的散射的数值实验。
2022-07-16 cs.NA math.NA
Mitigating Barren Plateaus via Domain Decomposition in Variational Quantum Algorithms for Nonlinear PDEs
Imam Abdulrahman Bin Faisal University(Imam Abdulrahman Bin Faisal大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学);Kyung Hee University(庆熙大学)
本文提出域分解框架缓解变分量子算法在求解非线性偏微分方程时的 barren plateaus 问题,通过局部化成本函数提升求解精度和优化稳定性。
2026-03-25 cs.NA math.NA
Greedy construction of quadratic manifolds for nonlinear dimensionality reduction and nonlinear model reduction
针对现有二次流形降维仅用前导主成分易遗漏关键信息的问题,提出结合前导与后续主成分的贪心构造方法,可扩展至百万维数据,精度较仅用前导主成分的方法高出数个数量级。
2024-12-12 cs.NA math.NA
Randomized Interpolative Decomposition of Separated Representations
我们引入张量插值分解(张量ID)的标准张量分解(CTD)的分离秩的减少。对于用户定义的准确度ε,张量ID选择CTD的项的接近最优的子集,以经由所选项的线性组合来表示剩余项。张量ID可以用作交替最小二乘(ALS)算法的替代方案或步骤。此外,我们简要讨论了Q因子分解,以减少ALS迭代中的组件的大小。结合,张量ID和Q-因子分解导致一个新的范例减少的分离秩的CTD。在这种情况下,我们还讨论了谱范数作为计算替代Frobenius范数。我们减少了张量ID的问题,构造某些矩阵的插值分解。这些矩阵通过给定张量的随机投影或随机采样生成。我们提供了成本估计和几个例子的新方法,以减少分离秩。
2013-12-17 cs.NA math.NA
Randomized Algorithms for Low-Rank Matrix and Tensor Decompositions
Oden Institute & Dept. of Mathematics, University of Texas at Austin(德克萨斯大学奥斯汀分校奥登研究所与数学系)
本文提出随机算法用于加速低秩矩阵和张量分解,涵盖SVD、ID、CUR等方法,并探讨其在张量分解中的应用。
2025-12-30 cs.NA math.NA
Online learning of quadratic manifolds from streaming data for nonlinear dimensionality reduction and nonlinear model reduction
本文提出一种在线贪心方法,从流数据中单次遍历增量构建二次流形,用于Petabyte级模拟数据的非线性降维与模型降阶,避免了批处理方法的高磁盘I/O和存储开销,并在数值实验中验证了其准确性和处理超大规模数据的能力。
2024-09-04 cs.NA math.NA
A Nonlinear GMRES Optimization Algorithm for Canonical Tensor Decomposition
提出了一种新的算法来计算一个正则秩R张量近似,该近似在Frobenius范数下与给定的张量具有最小距离,其中正则秩R张量由R秩1分量之和组成。该方法的每次迭代由三个步骤组成。在第一步中,一个试探性的新的迭代是由一个独立的一步过程,我们使用交替最小二乘(ALS)。在第二步中,一个加速的非线性广义最小残差(GMRES)的方法,重组以前的迭代以最佳的方式,并基本上使用独立的一步过程作为预条件。特别地,使用由Washio和Oosterlee在[ETNA Vol.15(2003),pp. [165-185]对于非线性偏微分方程问题。在第三步中,执行线搜索以进行全球化。由此产生的非线性GMRES(N-GMRES)优化算法被施加到密集和稀疏张量分解测试问题。数值试验表明,N-GMRES加速的ALS可以显著优于独立ALS和标准非线性共轭梯度最优化方法,特别是当需要高精度稳定点的困难问题。所提出的N-GMRES优化算法是基于一般概念的,可以应用于其他非线性最优化问题。
2011-05-26 cs.NA math.NA
Nonlinear Reduction using the Extended Group Finite Element Method
在本文中,我们开发了一个非线性约简框架的基础上,我们最近推出的扩展群有限元法。通过在有限元的帮助下定义的近似空间上插入非线性项,扩展群有限元公式实现了与非线性有限元问题相关的计算开销的显著减少。然而,在大多数应用程序中,问题的大小仍然会导致较长的解决时间。为了使实时和/或多查询应用程序可行,我们采用模型降阶和复杂性降低技术,以减少问题的大小和有效地处理减少非线性项,分别。本文重点研究了正交分解和离散经验插值方法。虽然类似的方法的基础上的组有限元法只专注于半线性问题,我们提出的框架也是兼容的拟线性问题。与现有的方法相比,我们的降阶模型被证明是优越的,在许多不同的方面表现在三个数值基准问题。
2021-06-04 cs.NA math.NA
Mixed precision matrix interpolative decompositions for model reduction
由于数据容量和带宽的不断增长以及GPU的进步,人们对混合精度算法重新产生了兴趣,这使得低精度算法能够显着加速。鉴于此,我们提出了一种混合精度算法,以产生一个双精度精确矩阵插值分解近似在一组给定的标准。尽管低精度算法遭受更快的舍入误差累积,但是对于许多数据丰富的应用,我们仍然获得可行的近似精度,因为使用低精度算法引起的误差由低秩近似固有的误差主导。然后,我们进行了几个模拟数值试验,以证明算法的有效性和相应的误差估计。最后,我们提出了我们的算法的应用程序中的一个问题,在模型减少颗粒载货湍流。
2020-12-11 cs.NA math.NA physics.comp-ph
On the influence of the nonlinear term in the numerical approximation of Incompressible Flows by means of proper orthogonal decomposition methods
本文研究了不可压Navier-斯托克斯方程的本征正交分解(POD)方法.我们研究的情况下,其中一个离散化的非线性项中使用的快照(计算与全阶方法(FOM))和不同的离散化的非线性项中应用的POD方法。我们证明了一个额外的误差项出现在这种情况下,相比的情况下,其中相同的离散的非线性项适用于FOM和POD方法。然而,增加的项具有与来自FOM的误差相同的大小,使得POD方法的收敛速率几乎不受影响。我们分析的情况下,我们添加梯度-div稳定的FOM和POD的方法,因为它允许得到误差界与常数独立的粘度的逆幂。我们还研究了没有稳定化的情况。一些数值实验支持了理论分析。
2022-03-29 cs.NA math.NA
Parametric Probabilistic Manifold Decomposition for Nonlinear Model Reduction
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院);School of Mathematical Sciences, Key Laboratory of Intelligent Computing and Applications (Ministry of Education), Tongji University(同济大学数学科学学院智能计算与应用教育部重点实验室)
PPMD通过整合概率流形嵌入与参数感知潜在学习,实现参数化问题的高保真度建模与非侵入性降阶。
2026-01-12 cs.NA math.NA
A Splitting Approach to Dynamic Mode Decomposition of Nonlinear Systems
针对非线性偏微分方程降阶建模中计算精度与时间的权衡问题,本文研究了面向带周期边界条件的非线性PDE的动态模态分解方法,提出了名为Split DMD的优化框架以降低总计算成本。
2023-07-24 cs.NA math.NA math.OC
Macro-micro decomposition for consistent and conservative model order reduction of hyperbolic shallow water moment equations: A study using POD-Galerkin and dynamical low rank approximation
本文首次针对双曲型浅水矩方程提出宏微观分解的模型降阶方法,仅对微观非守恒部分采用POD-Galerkin或动态低秩近似,在保证质量守恒与一致性的同时实现了高效准确的地球物理流模拟。
2024-07-16 cs.NA math.NA physics.flu-dyn
Monotone Domain Decomposition Iterative Method and its Convergence for a Nonlinear Integro-Differential Equation of Volterra Type
Faculty of Mathematics, Kim Il Sung university(金日成大学数学系)
针对Volterra型非线性积分微分方程,提出单调区域分解迭代方法,通过添加项构造线性方程,证明迭代解的存在性、唯一性和收敛性。
2013-04-02 cs.NA math-ph math.MP
On Optimal Convergence Rates for the Nonlinear Schrödinger Equation with a Wave Operator via Localized Orthogonal Decomposition
Jiaying University(嘉应大学);Shanghai Jiao Tong University(上海交通大学)
本文提出了一种局部正交分解方法,用于求解带有波算子的二维时间依赖非线性薛定谔方程,证明了该方法保持守恒律并具有唯一数值解,同时获得了无条件的最优阶超收敛L^p误差估计。
2026-03-21 cs.NA math.NA physics.comp-ph
Penalty Robin-Robin domain decomposition schemes for contact problems of nonlinear elastic bodies
Pidstryhach Institute for Applied Problems of Mechanics and Mathematics(皮德斯特里亚赫力学与数学应用问题研究所);Ivan Franko National University of Lviv(伊万·弗兰科利沃夫国立大学)
本文提出连续层面的区域分解方法求解非线性弹性单边和理想多体接触问题,并给出收敛性定理。
2012-09-05 cs.NA math-ph math.MP
A Proper Orthogonal Decomposition approach for parameters reduction of Single Shot Detector networks
SISSA(国际高等研究院)
本文提出基于 Proper Orthogonal Decomposition 的降维框架以减少 SSD 网络超参数,并在 PASCAL VOC 上的 SSD300 实验中验证了模型压缩与迁移学习微调加速效果。
2022-07-27 cs.CV cs.LG cs.NA
An iterative domain decomposition method for free boundary problems with nonlinear flux jump constraint
Texas A & M University(德克萨斯农工大学);Universidade Federal do Rio de Janeiro(里约热内卢联邦大学)
本文提出了一种基于阻尼牛顿法的迭代区域分解方法,用于求解具有非线性通量跳跃条件的自由边界问题,并通过有限元实现和数值算例验证了收敛性。
2012-05-29 cs.NA math.AP math.NA
Domain decomposition methods for problems of unilateral contact between elastic bodies with nonlinear Winkler covers
Pidstryhach Institute for Applied Problems of Mechanics and Mathematics(皮德斯特里亚赫应用力学与数学问题研究所);Ivan Franko National University of Lviv(利沃夫伊万·弗兰科大学)
提出一类Robin-Robin型区域分解方法,基于反射Banach空间中非线性变分方程的非平稳迭代算法,求解具有非线性Winkler覆盖层的弹性体单边接触问题,并通过有限元近似进行数值研究。
2012-11-30 cs.NA math-ph math.MP
Nonlinearly Preconditioned L-BFGS as an Acceleration Mechanism for Alternating Least Squares, with Application to Tensor Decomposition
School of Mathematical Sciences, Monash University(蒙纳士大学理学院);Department of Applied Mathematics, University of Waterloo(滑铁卢大学应用数学系)
本文提出基于L-BFGS更新公式非线性加速方法,用于加速交替最小二乘法在张量分解中的应用,通过非线性预条件化提升优化效率与鲁棒性。
2018-06-27 cs.NA math.NA math.OC
Combining Contrast Invariant L1 Data Fidelities with Nonlinear Spectral Image Decomposition
Department of Applied Mathematics(应用数学系);Department of Medical Cell BioPhysics(医学细胞生物物理学系);University of Twente(埃因霍温大学)
本文研究了变分方法的多尺度方法及其梯度流,结合L1保真度与非线性频谱分解以提升图像分割和形状分解的性能。
2017-03-16 cs.CV cs.NA math.NA
Tensor Decomposition Methods for High-dimensional Hamilton-Jacobi-Bellman Equations
本文提出了一种张量分解方法,用于求解非线性动力学最优反馈控制中的高维完全非线性Hamilton-Jacobi-Bellman方程。该方法结合了张量训练近似值函数与牛顿样的迭代法的解决方案所产生的非线性系统。张量近似导致关于维度的多项式缩放,部分地规避了维度灾难。线性二次的情况下的收敛性分析。对于非线性动力学,在Allen-Cahn和Fokker-Planck方程的最优反馈镇定问题中,验证了高维控制综合方法的有效性.
2021-03-15 cs.NA math.NA math.OC
Proper Generalized Decomposition for Nonlinear Convex Problems in Tensor Banach Spaces
Universidad CEU Cardenal Herrera(卡迪纳尔埃雷拉斯CEU大学)
本文针对定义在自反张量巴拿赫空间上的凸泛函最小化问题,对渐进式和更新式适当广义分解方法进行了数学分析。
2011-12-01 cs.NA math.FA math.NA
Domain decomposition algorithms for the two dimensional nonlinear Schr{ö}dinger equation and simulation of Bose-Einstein condensates
Université de Toulouse(图卢兹大学);CNRS, UPS IMT(法国国家科学研究中心,南法综合理工学院)
本文提出优化Schwarz方法用于求解二维非线性薛定谔方程,并扩展至玻色-爱因斯坦凝聚体模拟。通过引入预条件算法改进收敛速度并减少计算时间,同时采用经典Robin条件和新构造的吸收条件作为传输条件。
2016-03-16 cs.NA math.AP math.NA
Depth separation for reduced deep networks in nonlinear model reduction: Distilling shock waves in nonlinear hyperbolic problems
Courant Institute, New York University(纽约大学柯朗研究所)
经典的降阶模型是一种使用固定基的低秩近似,旨在实现大规模系统的降维。在这项工作中,我们引入了简化的深度网络,这是经典降阶模型的推广,被公式化为深度神经网络。我们证明深度分离的结果表明,减少深网络近似解的参数化双曲型偏微分方程的近似误差$ε$与$\mathcal{O}(|\log(ε)|)$自由度,即使在非线性设置的解决方案表现出冲击波。我们还表明,经典的降阶模型实现指数差的逼近率,通过建立相关的Kolmogorov $N$ -宽度的下界。
2020-07-28 cs.LG cs.NA math.NA
Domain Decomposition Method for Poisson--Boltzmann Equations based on Solvent Excluded Surface
提出一种基于溶剂排除表面的非线性 Poisson–Boltzmann 方程 Schwarz 区域分解法,通过重叠球腔与线性–非线性混合求解器提升求解效果,数值实验验证了方法及非线性建模的重要性。
2024-04-05 cs.NA math.NA math.NT
Singular value soft-thresholding via the polar decomposition
University of Colorado Boulder(科罗拉多大学波得尔分校)
研究奇异值软阈值处理,核心方法是通过极分解计算,相比标准奇异值分解方法,在GPU上有显著加速,不过因符号函数不连续,该方法可能仅适用于低精度应用。
2026-07-27 cs.LG cs.NA math.NA
Nonlinear model reduction for transport-dominated problems
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Courant Institute of Mathematical Sciences(Courant数学科学研究所);New York University(纽约大学)
本文提出了一种针对传输主导问题的非线性模型降阶方法,通过非线性参数化、降阶动力学和在线求解器三要素,提高在波状现象和移动相干结构中的计算效率。
2026-02-01 cs.LG cs.NA math.NA
Nonlinear Model Order Reduction via Lifting Transformations and Proper Orthogonal Decomposition
Massachusetts Institute of Technology(麻省理工学院);University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出了一种利用提升变换和正交分解的非线性模型降阶方法,通过变量变换和辅助变量的引入将非线性模型提升为具有更多结构的模型,从而在不引入近似的情况下获得降阶模型,提升了降阶模型的准确性和分析的严谨性。
2019-01-20 cs.NA cs.SY eess.SY
Practicable Simulation-Free Model Order Reduction by Nonlinear Moment Matching
本文提出一种基于非线性矩匹配的实用免仿真模型降阶方法,通过求解非线性方程组替代昂贵仿真,实现了可行且数值高效的非线性模型降阶算法。
2019-01-30 cs.NA cs.SY eess.SY
Lagrangian basis method for dimensionality reduction of convection dominated nonlinear flows
总结了一种新的基于投影的对流为主的非线性流体流动的模型降阶方法的基础。在这种方法中,流动的演化近似于拉格朗日参考系。全局基函数用于近似拉格朗日计算域的状态和位置。它表明,在这个框架中,某些波浪形的解决方案表现出低秩结构,因此,可以有效地压缩使用相对较少的全球基础。所提出的方法是成功地证明了减少几个简单的,但有代表性的问题。
2017-01-16 cs.NA math.NA physics.comp-ph
Solving high-dimensional nonlinear filtering problems using a tensor train decomposition method
本文提出了一种有效的解决高维非线性滤波(NLF)问题的数值方法。具体来说,我们使用张量训练分解方法来解决所产生的NLF问题的前向Kolmogorov方程(FKE)。我们的方法包括离线和在线阶段。在离线阶段,我们使用有限差分法离散的偏微分算子参与FKE和提取低维结构的解决方案空间中使用张量训练分解方法。此外,我们使用张量训练分解方法来近似FKE算子的演化。在在线阶段,使用预先计算的低秩近似张量,我们可以快速求解FKE给定的新的观测数据。因此,我们可以实时地解决NLF问题。在一些温和的假设下,我们提供了所提出的方法的收敛性分析。最后,我们提出的数值结果显示所提出的方法在解决高维NLF问题的效率和精度。
2019-08-12 cs.CE cs.NA cs.SY
LINOEP vectors, spiral of Theodorus, and nonlinear time-invariant system models of mode decomposition
Indian Institute of Technology Delhi(印度德里理工学院);Jaypee Institute of Information Technology(贾伊皮信息技术学院)
本文提出基于迭代滤波的LINOEP向量方法,通过能量保持定理推广Theodorus螺旋,并证明多种模式分解方法均为非线性时间不变系统模型。
2015-10-29 cs.IT cs.NA cs.SY