論文の概要: Deep learning-enhanced ensemble-based data assimilation for high-dimensional nonlinear dynamical systems

• arxiv url: http://arxiv.org/abs/2206.04811v1
• Date: Thu, 9 Jun 2022 23:34:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 03:09:47.814200
• Title: Deep learning-enhanced ensemble-based data assimilation for high-dimensional nonlinear dynamical systems
• Title（参考訳）: 高次元非線形力学系に対する深層学習によるアンサンブルに基づくデータ同化
• Authors: Ashesh Chattopadhyay, Ebrahim Nabizadeh, Eviatar Bach, Pedram Hassanzadeh
• Abstract要約: Ensemble Kalman filter (EnKF) は高次元非線形力学系を含むアプリケーションで広く使われているDAアルゴリズムである。 本研究では,二層型擬似地栄養流システムに適用可能なハイブリッドアンサンブルカルマンフィルタ (H-EnKF) を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data assimilation (DA) is a key component of many forecasting models in science and engineering. DA allows one to estimate better initial conditions using an imperfect dynamical model of the system and noisy/sparse observations available from the system. Ensemble Kalman filter (EnKF) is a DA algorithm that is widely used in applications involving high-dimensional nonlinear dynamical systems. However, EnKF requires evolving large ensembles of forecasts using the dynamical model of the system. This often becomes computationally intractable, especially when the number of states of the system is very large, e.g., for weather prediction. With small ensembles, the estimated background error covariance matrix in the EnKF algorithm suffers from sampling error, leading to an erroneous estimate of the analysis state (initial condition for the next forecast cycle). In this work, we propose hybrid ensemble Kalman filter (H-EnKF), which is applied to a two-layer quasi-geostrophic flow system as a test case. This framework utilizes a pre-trained deep learning-based data-driven surrogate that inexpensively generates and evolves a large data-driven ensemble of the states of the system to accurately compute the background error covariance matrix with less sampling error. The H-EnKF framework estimates a better initial condition without the need for any ad-hoc localization strategies. H-EnKF can be extended to any ensemble-based DA algorithm, e.g., particle filters, which are currently difficult to use for high dimensional systems.
• Abstract（参考訳）: データ同化(DA)は、科学と工学における多くの予測モデルの主要な構成要素である。 daはシステムの不完全な力学モデルとシステムから得られるノイズ/スパース観測を用いて、より良い初期条件を推定できる。 Ensemble Kalman filter (EnKF)は、高次元非線形力学系を含むアプリケーションで広く使われているDAアルゴリズムである。 しかし、enkfはシステムの力学モデルを用いて大規模な予測を進化させる必要がある。 これは、特に天気予報など、システムの状態数が非常に大きい場合、計算的に難解になることが多い。 小さいアンサンブルでは、enkfアルゴリズムにおける推定背景誤差共分散行列はサンプリング誤差に苦しめられ、解析状態(次の予測サイクルの初期条件)の誤った推定に繋がる。 本研究では,二層準地中流系に適用可能なハイブリッドアンサンブルカルマンフィルタ(h-enkf)をテストケースとして提案する。 このフレームワークは、トレーニング済みのディープラーニングベースのデータ駆動サロゲートを使用して、システム状態の大規模なデータ駆動アンサンブルを安価に生成し、進化させ、サンプリングエラーの少ないバックグラウンドエラー共分散マトリックスを正確に計算する。 H-EnKFフレームワークは、アドホックなローカライゼーション戦略を必要とせずに、より良い初期条件を推定する。 H-EnKFは任意のアンサンブルベースのDAアルゴリズム(例えば粒子フィルタ)に拡張できるが、これは現在高次元システムでは利用が難しい。

関連論文リスト

• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• Outlier-Insensitive Kalman Filtering Using NUV Priors [24.413595920205907]
  実際には、観測は外れ値によって破損し、カルマンフィルタ(KF)の性能を著しく損なう。 本研究では、各電位外乱を未知の分散確率変数(NUV)としてモデル化し、外乱に敏感なKFを提案する。 予測最大化(EM)と変動ロバスト性(AM)の両方を用いて、NUVs分散をオンラインで推定する。
  論文  参考訳（メタデータ） (2022-10-12T11:00:13Z)
• $Φ$-DVAE: Physics-Informed Dynamical Variational Autoencoders for Unstructured Data Assimilation [3.2873782624127843]
  物理インフォームドな動的変分オートエンコーダ(Phi$-DVAE)を開発し、様々なデータストリームを時間進化物理系に埋め込む。 我々の手法は、非構造化データを潜在力学系に同化するために、潜在状態空間モデルのための標準的な非線形フィルタとVOEを組み合わせたものである。 変分ベイズフレームワークは、符号化、潜時状態、未知のシステムパラメータの合同推定に使用される。
  論文  参考訳（メタデータ） (2022-09-30T17:34:48Z)
• Generalised Latent Assimilation in Heterogeneous Reduced Spaces with Machine Learning Surrogate Models [10.410970649045943]
  我々は,低次サロゲートモデルと新しいデータ同化手法を組み合わせたシステムを開発した。 一般化された潜在同化は、低次モデリングによって提供される効率とデータ同化の精度の両方の恩恵を受けることができる。
  論文  参考訳（メタデータ） (2022-04-07T15:13:12Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Observation Error Covariance Specification in Dynamical Systems for Data assimilation using Recurrent Neural Networks [0.5330240017302621]
  長期記憶(LSTM)リカレントニューラルネットワーク(RNN)に基づくデータ駆動型アプローチを提案する。 提案手法では,事前の誤差分布に関する知識や仮定は不要である。 提案手法を,DI01とD05という2つの最先端共分散チューニングアルゴリズムと比較した。
  論文  参考訳（メタデータ） (2021-11-11T20:23:00Z)
• Large-Scale System Identification Using a Randomized SVD [4.567810220723372]
  近似行列因数分解は、実現アルゴリズムにおける標準SVDを置き換えることができることを示す。 これはモデルを作ることができる唯一の方法です。
  論文  参考訳（メタデータ） (2021-09-06T19:25:15Z)
• KalmanNet: Neural Network Aided Kalman Filtering for Partially Known Dynamics [84.18625250574853]
  KalmanNetは、データから学習し、非線形力学の下でKalmanフィルタを実行するリアルタイム状態推定器である。 我々は、KalmanNetが非線形性とモデルミスマッチを克服し、古典的なフィルタリング手法より優れていることを数値的に示す。
  論文  参考訳（メタデータ） (2021-07-21T12:26:46Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。