.png){kind=icon}
返回
Learning Enhanced Ensemble Filters
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jcp.2025.114550.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 我们提出了一种学习集合滤波算法的框架，该框架基于滤波分布演化的均场状态空间表述。
• 我们引入了一种新型神经算子的泛化，用于定义在概率测度度量空间之间作用的映射。我们称这种映射为测度神经网络映射（MNM）。我们识别了一种基于注意力机制的架构来实现此类映射。
• MNM架构用于定义滤波分布均场表述的近似。这导致了一种基于学习的新型集合方法框架：测度神经网络映射增强集合滤波器（MNMEF）。
• 由于均场基础，不同集合规模滤波器的基本学习参数是共享的。因此，在一个集合规模上学习的参数化可以部署在不同的集合规模上，从而在较小的集合规模下实现高效训练。为增强此方法，我们引入了一种微调方法，将少量参数（如局部化和膨胀）纳入最终滤波器，这些参数本质上依赖于集合规模。
• 我们证明，所得到的滤波算法在洛伦茨 ’96、库扎莫托-西瓦什金斯基和洛伦茨 ’63模型上，对于小规模和较大规模的集合，均优于优化的局部集合变换卡尔曼滤波器（LETKF，一种领先的集合滤波器）。
期刊
IF:
3.8
论文数:
1.6W
被引数:
7.4W
机构
引用论文
.png){kind=icon}
Accurate deep learning-based filtering for chaotic dynamics by identifying instabilities without an ensemble基于深度学习且无需集合的精确混沌动力学滤波方法，通过识别不稳定性实现。
PREAI
分享收藏
查看更多内容