論文の概要: Building a Fuel Moisture Model for the Coupled Fire-Atmosphere Model
WRF-SFIRE from Data: From Kalman Filters to Recurrent Neural Networks
- arxiv url: http://arxiv.org/abs/2301.05427v1
- Date: Fri, 13 Jan 2023 07:56:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 14:27:08.873749
- Title: Building a Fuel Moisture Model for the Coupled Fire-Atmosphere Model
WRF-SFIRE from Data: From Kalman Filters to Recurrent Neural Networks
- Title(参考訳): データからの火力-大気モデルwrf-sfireのための燃料水分モデルの構築:カルマンフィルタからリカレントニューラルネットワークへ
- Authors: J. Mandel, J. Hirschi, A. K. Kochanski, A. Farguell, J. Haley, D. V.
Mallia, B. Shaddy, A. A. Oberai, and K. A. Hilburn
- Abstract要約: WRF-SFIREとそのワークフローシステムWRFxにおける現在の燃料水分量(FMC)サブシステムは、時間ラグ微分方程式モデルを用いている。
モデルとカルマンフィルタからなるシステムにおけるデータフローは、リカレントニューラルネットワーク(RNN)におけるデータフローと同一であると解釈できる。
標準AIアプローチは妥当な解に収束しなかったため、微分方程式の数値解法となるために考案された特殊初期重み付きRNNを事前訓練する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The current fuel moisture content (FMC) subsystems in WRF-SFIRE and its
workflow system WRFx use a time-lag differential equation model with
assimilation of data from FMC sensors on Remote Automated Weather Stations
(RAWS) by the extended augmented Kalman filter. But the quality of the result
is constrained by the limitations of the model and of the Kalman filter. We
observe that the data flow in a system consisting of a model and the Kalman
filter can be interpreted to be the same as the data flow in a recurrent neural
network (RNN). Thus, instead of building more sophisticated models and data
assimilation methods, we want to train a RNN to approximate the dynamics of the
response of the FMC sensor to a time series of environmental data. Because
standard AI approaches did not converge to reasonable solutions, we pre-train
the RNN with special initial weights devised to turn it into a numerical solver
of the differential equation. We then allow the AI training machinery to
optimize the RNN weights to fit the data better. We illustrate the method on an
example of a time series of 10h-FMC from RAWS and weather data from the
Real-Time Mesoscale Analysis (RTMA).
- Abstract(参考訳): WRF-SFIREの現在の燃料水分量(FMC)サブシステムとそのワークフローシステムであるWRFxは、拡張されたカルマンフィルタにより遠隔自動気象観測装置(RAWS)上のFMCセンサからのデータと同化した時間ラグ微分方程式モデルを用いている。
しかし、結果の品質はモデルとカルマンフィルタの制限によって制約される。
モデルとカルマンフィルタからなるシステムにおけるデータフローは、リカレントニューラルネットワーク(RNN)におけるデータフローと同一であると解釈できる。
したがって、より洗練されたモデルやデータ同化法を構築する代わりに、FMCセンサの時系列環境データに対する応答のダイナミクスを近似するためにRNNを訓練したい。
標準AIアプローチは妥当な解に収束しなかったため、微分方程式の数値解法となるために考案された特殊初期重み付きRNNを事前訓練する。
そして、AIトレーニング機械がRNN重量を最適化してデータに合うようにします。
本手法は,実時間メソスケール解析(rtma)による生データと気象データから10h-fmcの時系列を例に示す。
関連論文リスト
- Enhancing Data-Assimilation in CFD using Graph Neural Networks [0.0]
本稿では,グラフニューラルネットワーク(GNN)モデルによる随伴最適化に基づく,流体力学に応用されたデータ同化のための新しい機械学習手法を提案する。
我々は,有限要素法(FEM)の解法に基づく直接数値シミュレーションを用いて,GNNモデルと解法の間の2次元のインターフェースにより,GNNの予測をFEM解析の処理後ステップに組み込むことができることを示す。
論文 参考訳(メタデータ) (2023-11-29T19:11:40Z) - Diffusion-Model-Assisted Supervised Learning of Generative Models for
Density Estimation [10.793646707711442]
本稿では,密度推定のための生成モデルを訓練するためのフレームワークを提案する。
スコアベース拡散モデルを用いてラベル付きデータを生成する。
ラベル付きデータが生成されると、シンプルな完全に接続されたニューラルネットワークをトレーニングして、教師付き方法で生成モデルを学ぶことができます。
論文 参考訳(メタデータ) (2023-10-22T23:56:19Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Neural Differential Recurrent Neural Network with Adaptive Time Steps [11.999568208578799]
隠れ状態の時間的発達を表すためにニューラルODEを用いるRNN-ODE-Adapと呼ばれるRNNベースのモデルを提案する。
我々は、データの変化の急激さに基づいて時間ステップを適応的に選択し、「スパイクのような」時系列に対してより効率的にモデルを訓練する。
論文 参考訳(メタデータ) (2023-06-02T16:46:47Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - 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) - A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic
Data Imputation [13.48205738743634]
様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。
本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。
提案したモデルは、他のベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2020-03-23T13:27:01Z)
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。