Feb, 2024

非线性动力系统中的迭代 INLA 用于状态和参数估计

PDF
TL;DR基于迭代线性化动力学模型的集成嵌套拉普拉斯近似方法，通过产生每次迭代的高斯马尔科夫随机场，利用 INLA 推断状态和参数，从而提供了处理非线性偏微分方程先验的更细致的方法，改进了在数据稀疏性普遍存在的情况下的预测准确性和鲁棒性。
发现论文，激发创造
  • 高斯过程学习非线性动力学

    科学机器学习中，通过贝叶斯推断模型参数，利用状态数据和相关性构建似然函数，从而学习非线性动力学模型。

    Dec, 2023

  • 结合数据同化和机器学习推断未解决的尺度参数化

    本文提出了一种基于机器学习和数据同化的方法，用于从具有噪声和稀疏观测的直接数据中训练基于参数化模型的机器学习模型，在 Lorenz 模型和 MAOOAM 模型中证明，相较于截断模型，该模型具有更好的对系统吸引子的预测能力和更好的预测技能。

    Sep, 2020

  • 动力系统中贝叶斯状态和参数估计的信息场论方法

    本论文基于信息场理论构建物理先验概率度量，以便于对连续时间确定性动态系统的状态和参数进行可伸缩的贝叶斯估计，以克服时离散化方法的缺陷，并使用随机变分推理算法近似无法计算的后验概率。

    Jun, 2023

  • 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

  • 精确的非线性状态估计

    该研究提出了一种新的非线性估计理论，基于生成式人工智能，用于改进地球系统模型中的数据同化方法，通过引入 Conjugate Transform Filter（CTF）和其集合近似理论（ECTF），以适应任意非高斯分布并保留先验状态的统计关系，从而提高算法的准确性。

    Oct, 2023

  • 用于端到端神经数据同化方案的 SPDE 先验不确定性量化

    通过将随机偏微分方程与高斯马尔可夫随机场相结合，以及利用深度学习方法，本文提出了一种新的方法来解决大规模地理物理数据的时空插值问题，并提供了解释性和不确定性量化的随机框架。

    Feb, 2024

  • 运用机器学习技术纠正数据同化和预测应用中的模型误差

    本研究将机器学习和数据同化相结合，提出了一种迭代方法来纠正现有知识型模型的误差，为地球科学建立了一个混合替代模型，该模型在短期到中期范围内有更好的预测表现

    Oct, 2020

  • 有限区域动态系统估计的代理数据同化模型

    使用神经网络构建基于代理的数据同化模型，将可观测性和有效区域概念嵌入设计中，实现对有限区域状态的高效估计。

    Jul, 2023

  • 利用部分状态观测进行机器学习参数跟踪

    使用逆问题和储水池计算，我们开发了一个无模型、完全数据驱动的框架，能够从部分状态观测实时准确追踪变化的参数。该框架在各种复杂的非线性动力系统中表现出强大的性能，并解决了影响追踪性能的相关问题。

    Nov, 2023

  • 随机微分方程的近似贝叶斯学习

    使用高斯过程作为灵活的模型并使用高斯过程回归直接从稠密数据集中计算估计，开发出一种非参数方法来估计随机微分方程组中的漂移和扩散函数，并开发了一种近似的期望最大化算法来处理稀疏观察之间的未观察到的潜在动态。

    Feb, 2017