論文の概要: Joint space-time wind field data extrapolation and uncertainty quantification using nonparametric Bayesian dictionary learning

• arxiv url: http://arxiv.org/abs/2507.11385v1
• Date: Tue, 15 Jul 2025 14:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:03.162094
• Title: Joint space-time wind field data extrapolation and uncertainty quantification using nonparametric Bayesian dictionary learning
• Title（参考訳）: 非パラメトリックベイズ辞書学習を用いた時空間風速データ外挿と不確実性定量化
• Authors: George D. Pasparakis, Ioannis A. Kougioumtzoglou, Michael D. Shields,
• Abstract要約: 風場の関連する低次元表現の膨張係数を決定するための時間依存最適化問題を定式化する。 この手法は、任意の形式の高次元データであっても、高度な外挿精度を示す。 これは、様々な制約が限られた数のセンサーの使用を規定する、幅広い風工学の応用において、潜在的に使用することができる。
• 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: A methodology is developed, based on nonparametric Bayesian dictionary learning, for joint space-time wind field data extrapolation and estimation of related statistics by relying on limited/incomplete measurements. Specifically, utilizing sparse/incomplete measured data, a time-dependent optimization problem is formulated for determining the expansion coefficients of an associated low-dimensional representation of the stochastic wind field. Compared to an alternative, standard, compressive sampling treatment of the problem, the developed methodology exhibits the following advantages. First, the Bayesian formulation enables also the quantification of the uncertainty in the estimates. Second, the requirement in standard CS-based applications for an a priori selection of the expansion basis is circumvented. Instead, this is done herein in an adaptive manner based on the acquired data. Overall, the methodology exhibits enhanced extrapolation accuracy, even in cases of high-dimensional data of arbitrary form, and of relatively large extrapolation distances. Thus, it can be used, potentially, in a wide range of wind engineering applications where various constraints dictate the use of a limited number of sensors. The efficacy of the methodology is demonstrated by considering two case studies. The first relates to the extrapolation of simulated wind velocity records consistent with a prescribed joint wavenumber-frequency power spectral density in a three-dimensional domain (2D and time). The second pertains to the extrapolation of four-dimensional (3D and time) boundary layer wind tunnel experimental data that exhibit significant spatial variability and non-Gaussian characteristics.
• Abstract（参考訳）: 非パラメトリックベイズ辞書学習に基づく手法が開発され、限定/不完全測定による時空間風速データ外挿と関連する統計量の推定を行う。 具体的には、スパース/不完全測定データを用いて、確率風場の関連する低次元表現の膨張係数を決定するための時間依存最適化問題を定式化する。 提案手法は, 標準の圧縮サンプリング処理に比べて, 以下の利点を示す。 まず、ベイズ的定式化は、推定における不確実性の定量化を可能にする。 第2に、拡張基底の事前選択のための標準CSベースの応用の要件を回避している。 代わりに、これは取得したデータに基づいて適応的に行われる。 全体として、任意の形状の高次元データや比較的大きな外挿距離であっても、補間精度が向上する。 したがって、様々な制約が限られた数のセンサーの使用を規定する広範囲の風工学アプリケーションで使用することができる。 この方法論の有効性は2つのケーススタディを考慮することで実証される。 第1は、3次元領域(2Dおよび時間)における所定関節波数周波数パワースペクトル密度と整合した模擬風速記録の外挿に関するものである。 2つ目は、4次元の境界層(3Dおよび時間)風洞実験データの外挿で、空間的変動と非ガウス的特性を示す。

関連論文リスト

• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Sampling and estimation on manifolds using the Langevin diffusion [45.57801520690309]
  離散化マルコフ過程に基づく$mu_phi $の線形汎函数の2つの推定器を検討する。 誤差境界は、本質的に定義されたランゲヴィン拡散の離散化を用いてサンプリングと推定のために導出される。
  論文  参考訳（メタデータ） (2023-12-22T18:01:11Z)
• Bivariate DeepKriging for Large-scale Spatial Interpolation of Wind Fields [2.586710925821896]
  高空間分解能風速データは、気候、海洋学、気象学研究における幅広い応用に不可欠である。 2次元の速度を持つ二変量風場の大規模空間計算やダウンスケーリングは難しい課題である。 本稿では,空間的ラジアル基底関数によって構築された埋め込み層を持つ空間依存型ディープニューラルネットワーク(DNN)であるバイバリケートディープクリギングを提案する。 提案したDNNモデルの計算効率とスケーラビリティを,従来の手法に比べて平均20倍高速な計算で実証する。
  論文  参考訳（メタデータ） (2023-07-16T13:34:44Z)
• Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
  非定常データからサブリージョンを導出するためにConvNetsを使用します。 定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。 提案手法の性能を大規模に評価する。
  論文  参考訳（メタデータ） (2023-06-20T12:17:46Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal Autoregressions with an Application to NO2 Satellite Data [0.0]
  高次元モデルのクラスをスパース推定する。 我々は,ユル=ヴァルカー方程式の集合をペナルティ化することにより,空間的および時間的依存を完全駆動的に支配する関係を推定する。 衛星シミュレーションは、競合する手順と比較して強い有限サンプル性能を示す。
  論文  参考訳（メタデータ） (2021-08-05T21:51:45Z)
• Manifold learning-based polynomial chaos expansions for high-dimensional surrogate models [0.0]
  システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。 提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
  論文  参考訳（メタデータ） (2021-07-21T00:24:15Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Estimating Basis Functions in Massive Fields under the Spatial Mixed Effects Model [8.528384027684194]
  大規模データセットでは、予測最大化(EM)アルゴリズムを用いた定位クリグが、通常の計算で禁止されるクリグ法に代わるものとして提案されている。 本研究では,空間混合効果(SME)モデルを用いた代替手法を開発したが,観測値と結び目の間の空間依存性の範囲をAECMアルゴリズムを用いて推定することで,さらなる柔軟性を実現することができる。 実験により,予測精度を犠牲にすることなく,余剰パラメータ推定の計算負担を最小化しながら,予測精度の向上を図っている。
  論文  参考訳（メタデータ） (2020-03-12T19:36:40Z)

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。