应用顺序蒙特卡罗方法进行虚拟流量计校准
本文提出了一个数据驱动模型,使用卷积神经网络来估计压缩机的质量流量,并展示了它在标准均方误差和工程师性能指标方面明显优于标准多项式回归模型。此外,还提出了一种半自动分割方法来计算真实数据集的工程师性能指标,因为标准均方误差指标在分析蒸汽循环系统的动态行为时可能存在风险。
May, 2024
在测量模型的微调中,通过条件规范化流,在不同的可微粒子过滤器框架下学习表达丰富而有效的概率密度函数,以捕捉状态下测量的复杂似然性。在视觉跟踪实验中,我们证明了该方法可以带来更好的估计性能和更快的训练收敛。
Mar, 2022
本文介绍使用基于化学工程知识和强化学习算法的动态模拟器进行预测并作为软传感器来估计化工厂内部状态变量的方法,并探讨了使用这种软传感器进行化工厂操作和控制的前景及其所需预测模型的方法。
Aug, 2022
在该研究中,我们使用基于粒子方法和变分推断的变分序贯蒙特卡洛(VSMC)方法,在时间上分布了 VSMC 代理 ELBO 的梯度的近似,从而实现了面向数据流的在线学习,能够高效地进行参数估计和粒子提议适应。同时,我们提供了与数据量趋于无穷大时该算法收敛性质的严格理论结果,以及在批处理设置中的出色收敛性和实用性的数值说明。
Dec, 2023
本文介绍了 ScalarFlow,这是第一个大规模真实烟雾柱重建数据集。我们提出了一个准确的物理基础重建框架,其中包括估计难以观测的流入区域和一种有效的规则化方法。我们的数据集包含复杂和自然的自然驱动流,并演变至湍流,并包含可观测的标量传输过程。因此,ScalarFlow 数据集适用于计算机图形,视觉和学习应用。我们进一步展示了许多潜在应用领域之一:第一种感知评估研究,这表明捕获流的复杂性要求规则求解器进行巨大的仿真分辨率,以至少重新创建包含在捕获数据中的自然复杂性的一部分。
Nov, 2020
本研究主要关注使用模型和数据融合来改进分离流的雷诺平均纳维 - 斯托克斯解的 Spalart-Allmaras(SA)闭标模型。通过数据同化,尤其是采用 Ensemble Kalman Filtering 方法对分离流的 SA 模型的系数进行校准,提出了一种整体校准策略,使模型能够适用于多种不同的分离流并实现性能的改进。新提出的模型不仅在实验数据收集方面取得了显著的改进,还能针对特定的流体物理特性进行独立校准,提高了回流区和回复区的性能。
Sep, 2023
本文在变分推理中提出了一种新的逼近分布族:变分顺序蒙特卡罗(VSMC)族,并显示了如何在变分推理中优化它,从而将变分推理和顺序蒙特卡罗相结合,提供了灵活,准确且强大的贝叶斯推理。我们展示了它在状态空间模型,金融数据随机波动模型以及大脑神经电路的深度马尔可夫模型上的实用性。
May, 2017
iCaloFlow 是一种基于归纳序列正规化流的快速探测器模拟框架,使用教师 - 学生蒸馏来提高采样速度。它能够在~10-100 倍于之前考虑的探测器几何形状的高精度模拟中发挥正规化流的潜力。
May, 2023
本研究通过在设备上部署软传感器,提高传感器融合和感知能力,改善能源效率,并利用可编程逻辑门阵列(FPGA)和微控制器单元的协同整合,提供了一种具有潜力的创新方法来高效地执行实时推理任务。
Nov, 2023
本研究应用线性量化于基于 FPGA 的软传感器以实现精确的流体流量估计,通过克服传统定点量化的局限性,显著提高神经网络模型的精确度。通过针对硬件的优化,我们的方法在平均平方误差上实现 10.10% 的降低,并在推理速度上有 9.39% 的显著改进。在多个数据集上验证后,我们的发现表明优化的基于 FPGA 的量化模型能够提供高效、准确的实时推理结果,为普遍自主系统中基于云处理的可行替代方案。
Mar, 2024