实时数据同化带有不确定性量化的深度潜空间粒子滤波器

Jun, 2024

实时数据同化带有不确定性量化的深度潜空间粒子滤波器

The Deep Latent Space Particle Filter for Real-Time Data Assimilation with Uncertainty Quantification

Nikolaj T. Mücke, Sander M. Bohté, Cornelis W. Oosterlee

TL;DR使用神经网络的替代模型，Deep Latent Space Particle filter (D-LSPF) 可以在低维潜在空间中进行数据融合和实时的不确定性估计，运行速度比高保真粒子滤波器快一个数量级，并且比其他方法快 3-5 倍，精度可达一个数量级，从而实现实时的物理系统数据同化和不确定性量化。

Abstract

In data assimilation, observations are fused with simulations to obtain an accurate estimate of the state and parameters for a given physical system. Combining data with a model, however, while accurately estimating uncertainty, is computationally expensive and infeasible to run in

data assimilation particle filter deep latent space neural network-based surrogate models real-time

发现论文，激发创造

现场学习可微分粒子滤波

本文提出了一种可微粒子滤波器的在线学习框架，通过采用无监督损失来构建在线模型更新过程，实现随着数据的到达更新模型参数；通过在模拟设置中进行实证评估，并与监督学习方法进行比较，包括多元线性高斯状态空间模型和模拟物体跟踪实验。

Dec, 2023

无监督深度隐式粒子图像表示学习

提出一种新的视觉数据表示方法 Deep Latent Particles (DLP)，其中用空间 - softmax 和 Chamfer 距离先验驱动学习生成低维潜在颗粒表示，并表明其对多个动态对象构成的场景视频预测等下游任务具有实用性，同时给出颗粒位置的不确定性估计。

May, 2022

深度贝叶斯滤波在贝叶斯可信数据同化中的应用

提出了用于非线性状态空间模型的深度贝叶斯滤波（DBF）方法，通过构建新的潜在变量并利用高斯逆观测算子进行数据同化，使得 DBF 的后验分布始终保持高斯性质，克服了采样误差积累的问题，并在各种任务和条件下优于基于模型和潜在同化方法。

May, 2024

可微粒子滤波器概述：数据自适应序贝叶斯推断

本文综述了近年来不同的可微粒子滤波器及其应用，重点介绍了其中的关键组件设计，包括动态模型、测量模型、提议分布、优化目标和可微重采样技术。

Feb, 2023

可微粒子滤波器：通过算法先验进行端到端学习

本研究介绍了可微分粒子滤波器（DPFs），用于在概率分布之上进行的递归状态估计的算法。我们证明了不同的学习模型如动态和测量模型，能在 end-to-end 的不同 iable 框架下完成。当前的实验表明，与 LSTM 相比，DPFs 能够更好地维持位置估计并能提高算法的泛化性。

May, 2018

基于深度贝叶斯粒子流框架的无监督跨领域软传感器建模

本文提出了一个基于深度粒子流 Bayes（DPFB）框架的交叉域软传感建模方法，利用物理启发粒子流实现对目标状态的无标签监督下的跨域学习，从而实现有效的时间序列无监督域自适应。

Jun, 2023

应用于视觉定位的粒子滤波网络

本文介绍了一种新的方法 PF-Net，将粒子滤波算法和神经网络相结合，为具有复杂动态或丰富感知输入的系统构建概率系统模型。实验结果表明，PF-Net 在机器人视觉定位任务中具有更好的表现和普适性。

May, 2018

可微粒子滤波器的策略学习

本文介绍了一种基于神经网络的可微分粒子滤波器 (RLPF) 来解决在系统可能在有限集合的状态空间模型之间切换的情况下同时学习各个模型及切换过程的问题，并提出了相应的训练方法。通过数值实验，我们证明了与先前最先进的算法相比，RLPF 取得了有竞争力的性能。

May, 2024

多个后验模式的可微稳定的远程跟踪

通过训练数据来区分地学习基于粒子的不确定性表示方法，通过深度神经网络编码器对任意观测进行条件下的连续概率混合分布表示的混合密度粒子滤波器，在连续潜在状态中提升准确性和鲁棒性。

Apr, 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