Resumen

La descomposición ortogonal propia es un enfoque popular para determinar las estructuras espaciales principales a partir de los datos medidos. Generalmente, la reducción de modelos utilizando funciones eigenempíricas (EEFs) puede generar un modelo relativamente de baja dimensionalidad entre todas las expansiones lineales. Sin embargo, los modos negligentes que representan solo una pequeña cantidad de energía serán cruciales en la modelización para cierto tipo de ecuaciones diferenciales parciales (EDPs) no lineales. En este artículo, se propone una combinación óptima de EEFs para la reducción de modelos de ecuaciones diferenciales parciales (EDPs) no lineales, obtenida mediante la transformación de funciones base a partir de los EEFs iniciales. La matriz de transformación se deriva de técnicas de optimización directa. Los nuevos EEFs presentes pueden mantener la información dinámica de los modos negligentes y generar un sistema dinámico de menor dimensionalidad y más preciso para las EDPs. El ejemplo numérico muestra su efectividad y viabilidad para la reducción de modelos de las E

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Popular; Estructuras espaciales; Reducción de modelos; Funciones empíricas propias; Ecuaciones diferenciales parciales no lineales; Técnicas de optimización
• Keywords:Popular; Spatial structures; Model reduction; Empirical eigenfunctions; Nonlinear partial differential equations; Optimization techniques