基于深度学习的分布式参数系统建模的时空耦合学习方法

摘要

本发明公开了一种应用于分布参数系统建模的时空耦合学习方法,涉及到深度学习、建模等领域，解决了数据驱动的分布参数系统建模时，由于空间和时间是内在耦合的，时空可分性的假设通常不成立的问题，将稀疏自编码器网络与多层神经网络相结合，提出了一种新的深度学习体系结构，既保持了模型的时空耦合特性，又增加了模型的自由度，给出一个没有精确偏微分方程描述的高维系统，利用收集的输入和输出数据对降维模型及其时间动力学进行联合学习，然后应用学习到的模型预测低维表示和重建高维输出，实例验证，与经典的时空分离模型简化方法相比，本发明具有更好的建模精度和更低的内在维数。