May, 2020

嵌入长短时记忆的偏置控制方案用于地球物理流体非线性数据同化

PDF
TL;DR本文提出了一种基于全非侵入式长短时记忆（LSTM）嵌入结构的递归神经网络方法，用于估算限制性项，该方法不仅强制状态轨迹到观察值，而且还在一定程度上充当了稳定器，并通过相关数据的强大力量，可以有效地进行再培训。实验结果表明，与 EKF 和 EnKF 相比，所提出的 LSTM 间隙处理方法在只有稀疏观察数据可用时产生了更准确的估计。
nonlinear filtersdata assimilationrecurrent neural networklstmnudging approach
发现论文，激发创造
  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 长短期记忆卡尔曼滤波器：姿态正则化的循环神经估计器

    本研究提出了一种基于长短时记忆学习（long short term memory）的方法来丰富动态运动和噪声模型的表征，以应用于计算机视觉中的三个最受欢迎的姿态估计任务，并在所有情况下获得最先进的性能表现。

    Aug, 2017

  • 液滴动力学能量预测的循环神经网络方法

    本研究采用 LSTM 模型预测具有表面张力效应的流体流动的瞬态和静态输出，通过神经网络结构从几何参数派生的时间序列数据来预测能量预算，该方法在液滴动力学问题中展示了准确性，并且可以用于预测静态参数，如雷诺数和韦伯数。

    Mar, 2024

  • 时间子采样减弱了地球物理湍流的递归神经网络仿真中的小空间尺度

    该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

    Apr, 2023

  • 基于 Transformer 增强 LSTM 网络的 GNSS 观测非 LOS 检测和不确定性预测

    通过分析全球导航卫星系统 (GNSS) 观测数据，本研究提出了一种基于深度学习的方法来检测非直射路径接收与预测 GNSS 伪距误差，并构建了类似 Transformer 的注意机制来提高模型性能和泛化能力，实验结果表明相比其他模型，该方法在车辆定位中具有更好的准确性和召回率，能够避免轨迹偏离问题。

    Sep, 2023

  • 一种用于作物生长模型的 EnKF-LSTM 同化算法

    通过将集合卡尔曼滤波器和 LSTM 神经网络相结合，本文提出了一种适用于各种作物的 EnKF-LSTM 数据同化方法，该方法有效避免了现有数据同化方法的过拟合问题，并消除了测量数据的不确定性，从而提高了预测的准确性。通过农田上部署的传感器设备收集的数据集进行了所提出的 EnKF-LSTM 方法的验证，并与其他数据同化方法进行了比较。

    Mar, 2024

  • 基于 LSTM 的时间变化可变性数据的预测监控方法

    该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

    Sep, 2023

  • 关于循环神经网络在噪声动力学系统中的行为的简短注记

    本文研究了循环神经网络在数据驱动下的噪声动力学系统模拟行为，训练了一组 LSTM 网络，发现在训练噪声变大时，LSTM 更多地依赖其自主动力学而不是噪声输入数据。

    Apr, 2019

  • 用于降阶模型关闭的潜空间动态的时序学习

    研究了 LSTM 和 NODE 在学习动态微分方程潜在空间表示方面的性能，并通过两个粘性 Burgers 方程测试验证了其在系统封闭方面的能力。

    Jun, 2019

  • 从部分数据中重构、预测和稳定混沌动态

    通过使用基于数据的方法，该研究提出了 Long Short-Term Memory (LSTM) 网络来推断未观察到的（隐藏的）混沌变量的动力学，时间预测完全状态的演变并推断其稳定性。

    May, 2023