ICMLFeb, 2021

使用学习的逆观测算子的变分数据同化

PDF
TL;DR采用观测数据来辅助建立初始状态，改善初始状态优化难题并提高混沌系统的预测质量。
variational data assimilationobservational dataphysical statesoptimization problemforecast quality
发现论文，激发创造
  • 神经增量数据同化

    利用深度学习方法，将物理系统建模为一系列由神经网络参数化的粗粒度高斯先验分布，从而定义一个同化算子，并通过与传统变分数据同化方法的比较，在具有稀疏观测的混沌动力学物理系统上展示了其准确性和加速效果。

    Jun, 2024

  • 使用变分推断学习最优滤波器

    利用变分推断学习参数化分析映射，通过估计条件分布对于动态系统的滤波分布，在过滤线性和非线性动态系统中也适用。

    Jun, 2024

  • 基于得分的数据同化

    该论文提出了一种基于得分的数据同化方法，通过生成所有状态来实现非自回归推断，将观测模型与训练过程分离，并对得分模型进行训练。

    Jun, 2023

  • 高效深度数据同化与稀疏观测及时变传感器

    将深度学习技术整合到变分数据同化中，引入了名为 VIVID 的新型变分数据同化方案，通过利用 Voronoi-tessellation 和卷积神经网络的能力，VIVID 能够处理稀疏、非结构化和时变传感器数据，在减小数据同化所需最小化步骤的同时，与 Proper Orthogonal Decomposition (POD) 结合，进一步加快场重建的速度，通过在流体动力学系统中进行数值实验，证明了 VIVID 在超过现有数据同化和深度学习算法的性能上的显著优势，并验证了 VIVID 在不同先验误差水平、不同数量传感器的应用和数据同化误差协方差误差配置方面的鲁棒性。

    Oct, 2023

  • VAE-Var：变分自编码增强的变分同化

    VAE-Var 是一种新的变分算法，利用变分自动编码器（VAE）对背景误差分布进行建模，理论推导了 VAE 估计下的变分成本，并提出了 VAE-Var 的一般公式；我们在低维混沌系统上实现了 VAE-Var，并通过实验结果证明了在不同观测设置下 VAE-Var 始终优于传统的变分同化方法。

    May, 2024

  • 动态系统的可扩展变分推断

    该文提出了一种能够在局部可观察的系统中，通过使用变分推断和梯度匹配方法，同时学习参数和状态动力学的可伸缩框架。此框架不仅具有改进的精度和计算速度，而且即使在部分可观测系统的模型错误情况下也能够很好地工作。

    May, 2017

  • 深度强化学习在混沌系统中的数据同化

    我们介绍了一种新的数据同化策略，利用强化学习以完整或部分观测状态变量应用状态修正，重点在于演示该方法在混沌洛伦兹 '63 系统中的应用，其目标是最小化观测值和相应预测状态之间的均方根误差，结果表明开发的强化学习算法在与集合卡尔曼滤波相比时表现出色，并展示了该代理在同化非高斯数据方面的能力。

    Jan, 2024

  • 学习半线性神经算子：一种统一递归框架用于预测和数据同化

    使用基于学习的状态空间方法计算无限维半线性 PDE 的解算符，结合预测和修正操作，该方法能够在长时间范围内进行快速准确的预测并根据稀疏采样的噪声测量修正解算结果。

    Feb, 2024

  • 操作符变分推理

    本文介绍以变分推断为基础的优化算法，并使用函数方法设计变分目标，包括 Langevin-Stein 算子变分目标。该算法不仅能够处理大数据问题还可以快速逼近后验分布。

    Oct, 2016

  • 高效时空混沌数据同化：局部集合变换卡尔曼滤波器

    本文主要介绍了一种实用的数据同化方法 —— 基于集合卡尔曼滤波算法，它将系统状态及其不确定性表示为系统状态的集合，重点在于易于使用和计算速度而非提高准确性。作者通过一些数值实验证明了该方法在全球天气预报模型下合理有效地同化真实大气数据的效率和准确性。

    Nov, 2005