論文の概要: Combining Ensemble Kalman Filter and Reservoir Computing to predict spatio-temporal chaotic systems from imperfect observations and models

• arxiv url: http://arxiv.org/abs/2006.14276v1
• Date: Thu, 25 Jun 2020 09:43:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 03:41:55.031271
• Title: Combining Ensemble Kalman Filter and Reservoir Computing to predict spatio-temporal chaotic systems from imperfect observations and models
• Title（参考訳）: アンサンブルカルマンフィルタと貯留層計算を組み合わせた不完全な観測とモデルによる時空間カオスシステムの予測
• Authors: Futo Tomizawa and Yohei Sawada
• Abstract要約: 数値気象予測(NWP)など様々な分野においてLETKF時間カオスシステムの予測は重要である 本研究は, ノイズおよび低分散観察によるRCの技能評価である。 提案手法は,ノイズと疎分布の観測によりロレンツ96系の予測に成功している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of spatio-temporal chaotic systems is important in various fields, such as Numerical Weather Prediction (NWP). While data assimilation methods have been applied in NWP, machine learning techniques, such as Reservoir Computing (RC), are recently recognized as promising tools to predict spatio-temporal chaotic systems. However, the sensitivity of the skill of the machine learning based prediction to the imperfectness of observations is unclear. In this study, we evaluate the skill of RC with noisy and sparsely distributed observations. We intensively compare the performances of RC and Local Ensemble Transform Kalman Filter (LETKF) by applying them to the prediction of the Lorenz 96 system. Although RC can successfully predict the Lorenz 96 system if the system is perfectly observed, we find that RC is vulnerable to observation sparsity compared with LETKF. To overcome this limitation of RC, we propose to combine LETKF and RC. In our proposed method, the system is predicted by RC that learned the analysis time series estimated by LETKF. Our proposed method can successfully predict the Lorenz 96 system using noisy and sparsely distributed observations. Most importantly, our method can predict better than LETKF when the process-based model is imperfect.
• Abstract（参考訳）: 数値気象予測(NWP)など様々な分野において,時空間カオスシステムの予測が重要である。 nwpではデータ同化手法が採用されているが、リザーバコンピューティング(rc)のような機械学習技術は、時空間カオスシステムを予測する有望なツールとして最近認識されている。 しかし、観察の不完全さに対する予測に基づく機械学習のスキルの感度は明らかでない。 本研究では,騒音の少ない分散観測を行い,rcの技能を評価する。 局所アンサンブル変換カルマンフィルタと局所アンサンブル変換カルマンフィルタ(LETKF)の性能を,ロレンツ96系の予測に適用することにより,集中的に比較した。 完全に観測された場合、rcはlorenz 96システムの予測に成功するが、reckfと比較して、rcは観測スパーシティに弱いことが判明した。 RCの限界を克服するため,LETKFとRCを組み合わせることを提案する。 提案手法では,LETKFで推定した解析時系列をRCにより予測する。 提案手法は,ノイズと疎分布の観測によりロレンツ96系の予測に成功した。 最も重要なことは、プロセスベースモデルが不完全である場合、LETKFよりも予測が優れていることである。

関連論文リスト

• Predicting Chaotic System Behavior using Machine Learning Techniques [3.9940425551415597]
  機械学習技術、特にディープラーニングは、従来の時系列予測手法よりも優れた性能を示している。 本研究では,次世代貯水池コンピューティング(NG-RC) ii)貯水池コンピューティング(RC)iii)長期短期記憶(LSTM)のカオスシステムの挙動予測能力について検討する。
  論文  参考訳（メタデータ） (2024-08-11T05:45:23Z)
• Oscillations enhance time-series prediction in reservoir computing with feedback [3.3686252536891454]
  貯留層コンピューティング(Reservoir computing)は、脳のモデリングに使用される機械学習フレームワークである。 貯水池系が不安定になるため、長期目標時系列を正確に再現することは困難である。 本研究では,振動駆動型貯水池計算 (ODRC) をフィードバックで提案する。
  論文  参考訳（メタデータ） (2024-06-05T02:30:29Z)
• Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
  教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。 我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。 対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
  論文  参考訳（メタデータ） (2023-02-10T08:05:19Z)
• Beyond Exponentially Fast Mixing in Average-Reward Reinforcement Learning via Multi-Level Monte Carlo Actor-Critic [61.968469104271676]
  本稿では,アクター・アクターとアクター・アクター・アクター・アルゴリズムに埋め込まれた平均報酬に対して,マルチレベルモンテカルロ推定器を用いて混合時間に適応したRL手法を提案する。 不安定な報酬を伴うRL問題において,安定性に要求される技術的条件の緩和効果が,実用上優れた性能に変換されることを実験的に示す。
  論文  参考訳（メタデータ） (2023-01-28T04:12:56Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• Catch-22s of reservoir computing [0.0]
  Reservoir Computingは、データから非線形力学系の挙動を予測するための、シンプルで効率的なフレームワークである。 我々は,システムの初期状態からどのアトラクタが収束するかを決定する,流域予測の重要な問題に焦点をあてる。 元の方程式に正確な非線形性を組み込むことで、NGRCは複雑で高次元的なアトラクションの流域を正確に再構築できることを示す。
  論文  参考訳（メタデータ） (2022-10-18T23:31:15Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• A Systematic Exploration of Reservoir Computing for Forecasting Complex Spatiotemporal Dynamics [0.0]
  Reservoir Computer (RC) は、本質的にカオス力学系の予測アーキテクチャに成功しているリカレントニューラルネットワークの一種である。 多数の特性力学系に対する「クラス最良」RCのアーキテクチャと設計選択について検討する。 ローカライゼーションを用いた大規模モデルへのスケールアップにおけるこれらの選択の適用について述べる。
  論文  参考訳（メタデータ） (2022-01-21T22:31:12Z)
• A Kernel-Based Approach to Non-Stationary Reinforcement Learning in Metric Spaces [53.47210316424326]
  KeRNSは、非定常マルコフ決定過程におけるエピソード強化学習のためのアルゴリズムである。 我々は、状態-作用空間の被覆次元と時間とともにMDPの総変動にスケールする後悔境界を証明した。
  論文  参考訳（メタデータ） (2020-07-09T21:37:13Z)
• Model-Size Reduction for Reservoir Computing by Concatenating Internal States Through Time [2.6872737601772956]
  Reservoir Computing(RC)は、データから複雑な時系列を非常に高速に学習できる機械学習アルゴリズムである。 エッジコンピューティングにRCを実装するためには,RCに必要な計算資源の削減が重要である。 本研究では, 貯水池の過去又は漂流状態を現時点の出力層に投入することにより, 貯水池の規模を小さくする手法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T06:11:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。