論文の概要: A Surrogate Data Assimilation Model for the Estimation of Dynamical
System in a Limited Area
- arxiv url: http://arxiv.org/abs/2307.07178v1
- Date: Fri, 14 Jul 2023 06:10:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 14:39:50.525697
- Title: A Surrogate Data Assimilation Model for the Estimation of Dynamical
System in a Limited Area
- Title（参考訳）: 限られた領域における動的システムの推定のためのサロゲートデータ同化モデル
- Authors: Wei Kang and Liang Xu and Hong Zhou
- Abstract要約: 限られた領域における効率的な状態推定のための学習に基づく代理データ同化モデルを提案する。
我々のモデルは、オンライン計算にフィードフォワードニューラルネットワークを使用し、高次元の限定領域モデルを統合する必要がなくなる。
- 参考スコア（独自算出の注目度）: 12.849290207344422
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel learning-based surrogate data assimilation (DA) model for
efficient state estimation in a limited area. Our model employs a feedforward
neural network for online computation, eliminating the need for integrating
high-dimensional limited-area models. This approach offers significant
computational advantages over traditional DA algorithms. Furthermore, our
method avoids the requirement of lateral boundary conditions for the
limited-area model in both online and offline computations. The design of our
surrogate DA model is built upon a robust theoretical framework that leverages
two fundamental concepts: observability and effective region. The concept of
observability enables us to quantitatively determine the optimal amount of
observation data necessary for accurate DA. Meanwhile, the concept of effective
region substantially reduces the computational burden associated with computing
observability and generating training data.
- Abstract（参考訳）: 限られた領域における効率的な状態推定のための新しい学習型サロゲートデータ同化(da)モデルを提案する。
本モデルは,オンライン計算にfeedforwardニューラルネットワークを用いており,高次元の限定領域モデルの統合は不要である。
このアプローチは従来のdaアルゴリズムよりも大きな計算上の利点を提供する。
さらに,オンラインとオフラインの両方の計算において,限定領域モデルに対する境界条件の必要性を回避した。
我々の代理DAモデルの設計は、観測可能性と有効領域という2つの基本的な概念を生かした堅牢な理論的枠組みに基づいている。
観測可能性の概念により,正確なDAに必要な観測データの定量化が可能となる。
一方、有効領域の概念は、観測可能性の計算とトレーニングデータの生成に関連する計算負荷を大幅に削減する。
関連論文リスト
- OTClean: Data Cleaning for Conditional Independence Violations using
Optimal Transport [51.6416022358349]
sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。
我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
論文 参考訳（メタデータ） (2024-03-04T18:23:55Z) - A novel data generation scheme for surrogate modelling with deep
operator networks [0.0]
本稿では,DeepONetsのトレーニングデータ生成に伴う計算負担を軽減するための新しい手法を提案する。
既存の文献とは異なり、データ生成のためのフレームワークは偏微分方程式の統合戦略を一切用いない。
提案手法は、他の演算子学習手法にも拡張可能であり、そのアプローチを広く適用することができる。
論文 参考訳（メタデータ） (2024-02-24T14:42:42Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳（メタデータ） (2023-06-28T18:14:22Z) - Neural Fields with Hard Constraints of Arbitrary Differential Order [61.49418682745144]
我々は、ニューラルネットワークに厳しい制約を課すための一連のアプローチを開発する。
制約は、ニューラルネットワークとそのデリバティブに適用される線形作用素として指定することができる。
私たちのアプローチは、広範囲の現実世界のアプリケーションで実証されています。
論文 参考訳（メタデータ） (2023-06-15T08:33:52Z) - Learnability of Competitive Threshold Models [11.005966612053262]
理論的観点から,競合しきい値モデルの学習可能性について検討する。
ニューラルネットワークによって競合しきい値モデルをシームレスにシミュレートする方法を実証する。
論文 参考訳（メタデータ） (2022-05-08T01:11:51Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-06T13:18:31Z) - Safe Continuous Control with Constrained Model-Based Policy Optimization [0.0]
制約付き高次元制御のためのモデルベースセーフ探索アルゴリズムを提案する。
また、モデル生成データによるポリシー探索を高速化する実用的なアルゴリズムも導入する。
論文 参考訳（メタデータ） (2021-04-14T15:20:55Z) - COMBO: Conservative Offline Model-Based Policy Optimization [120.55713363569845]
ディープニューラルネットワークのような複雑なモデルによる不確実性推定は困難であり、信頼性が低い。
我々は,サポート外状態動作の値関数を正規化するモデルベースオフラインRLアルゴリズムCOMBOを開発した。
従来のオフラインモデルフリーメソッドやモデルベースメソッドと比べて、comboは一貫してパフォーマンスが良いことが分かりました。
論文 参考訳（メタデータ） (2021-02-16T18:50:32Z) - A probabilistic generative model for semi-supervised training of
coarse-grained surrogates and enforcing physical constraints through virtual
observables [3.8073142980733]
本稿では、トレーニング目的と代理モデル自体の両方において、物理的構造と情報を考慮した柔軟な確率的フレームワークを提供する。
我々は、物理から得られる等式を仮想観測可能なものとして導入し、その可能性を通じて追加情報を提供する確率論的モデルを提案する。
論文 参考訳（メタデータ） (2020-06-02T17:14:36Z)
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。