CN115587629B - 协方差膨胀系数估计方法、模型训练方法、存储介质终端 - Google Patents

协方差膨胀系数估计方法、模型训练方法、存储介质终端 Download PDF

Info

Publication number
CN115587629B
CN115587629B CN202211560181.4A CN202211560181A CN115587629B CN 115587629 B CN115587629 B CN 115587629B CN 202211560181 A CN202211560181 A CN 202211560181A CN 115587629 B CN115587629 B CN 115587629B
Authority
CN
China
Prior art keywords
state quantity
system state
expansion coefficient
sample
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211560181.4A
Other languages
English (en)
Other versions
CN115587629A (zh
Inventor
王茂华
黄永健
顾倩荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Advanced Research Institute of CAS
Original Assignee
Shanghai Advanced Research Institute of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Advanced Research Institute of CAS filed Critical Shanghai Advanced Research Institute of CAS
Priority to CN202211560181.4A priority Critical patent/CN115587629B/zh
Publication of CN115587629A publication Critical patent/CN115587629A/zh
Application granted granted Critical
Publication of CN115587629B publication Critical patent/CN115587629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种协方差膨胀系数估计方法、模型训练方法、存储介质终端，其中获取目标时刻的膨胀系数；基于目标时刻的膨胀系数，通过样本生成策略生成膨胀系数样本集合；基于膨胀系数样本集合优化后的样本系统状态量集合，通过损失函数计算优化后的样本系统状态量集合中每个优化后的样本系统状态量所对应的损失值，并从所有损失值中选取最小损失值所对应的膨胀系数样本作为目标膨胀系数；基于目标膨胀系数对神经网络进行训练，重复训练，得到协方差膨胀系数估计模型，用于估计集合卡尔曼滤波中的协方差膨胀系数。本发明估计方法提高了基于集合卡尔曼滤波的大气数据同化系统的预报性能和健壮性。

Description

协方差膨胀系数估计方法、模型训练方法、存储介质终端
技术领域
本发明涉及同化系统处理技术领域，尤其涉及一种协方差膨胀系数估计方法、模型训练方法、存储介质终端。
背景技术
随着各种非常规数据(如卫星、雷达等遥感遥测数据)大量迅猛增多，以及大多数值模式的不断发展，如何充分利用各种观测数据，以满足大气数值再分析及预报的需求，是一个不容回避的挑战。其中，大气数据同化系统是大气再分析及预报系统的核心业务系统，是必可不少的组成部分。
大气数据同化方法是一种将稀疏的空间、时间分布的大气观测数据与大气预报数值模型结果相融合以获取更准确的大气系统状态估计的方法。在基于集合卡尔曼滤波的大气数据同化系统中，时空变化的协方差自适应膨胀系数(inflation)用于调整状态之间的协方差，使其更接近真实的协方差，进而提升数据同化系统预报的性能和健壮性。协方差的误差主要来源于集合卡尔曼滤波的两个步骤：预报和分析。在预报阶段，因为集合的采样和模型等误差，导致观测和状态之间的协方差与真实的协方差之间存在偏离；在分析阶段，观测系统的误差也会在该协方差中累积。因此，需要对该协方差进行调整。当前的方法都是选取已有的分布函数作为膨胀系数的似然函数，这些似然函数通常不能很好的近似膨胀系数的真实的分布。尤其在处理非高斯误差时，使得使用了集合卡尔曼滤波的大气数据同化系统性能下降严重。
发明内容
本发明所要解决的技术问题是现有时空变化的协方差自适应膨胀系数获取方法采用现有的分布函数作为膨胀系数的似然函数，不能很好的近似膨胀系数的真实分布，使得集合卡尔曼滤波的大气数据同化系统性能下降严重。
为了解决上述技术问题，本发明提供了一种协方差膨胀系数估计模型训练方法，其特征在于，在大气数据同化系统中，包括：
设定第t时刻为目标时刻；
获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差；
基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过临时神经网络获取目标时刻的膨胀系数；
基于目标时刻的膨胀系数，通过样本生成策略生成膨胀系数样本集合，基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合；
通过损失函数计算优化后的样本系统状态量集合中每个优化后的样本系统状态量所对应的损失值，并从所有损失值中选取最小损失值所对应的膨胀系数样本作为目标膨胀系数；
以目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差为输入，以所述目标膨胀系数为目标，对所述临时神经网络进行反向调整，以获取调整后的预设神经网络；
将t加ι，且判断t是否大于T，若是则将调整后的预设神经网络作为自适应协方差膨胀系数估计模型，否则将所述调整后的预设神经网络作为临时神经网络，并重新设定第t时刻为目标时刻；
其中，t的初始值为ι，ι为单位时间长度，且T为训练轮次。
优选地，设定第t时刻为目标时刻步骤之前还包括：
设置初始系统状态量，并设置所述膨胀系数样本集合的样本生成数为NC，样本生成方差为
Figure DA00040770202840376403
优选地，获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差步骤包括：
基于第t-ι时刻的系统状态量，通过所述大气数据同化系统的系统状态方程计算目标时刻的系统状态量，基于目标时刻的系统状态量计算目标时刻的系统状态量均值和目标时刻的系统状态量方差；
通过所述大气数据同化系统的观测子系统对所述大气数据同化系统进行一次观测，以获取目标时刻的观测状态量，并基于目标时刻的观测状态量计算目标时刻的系统状态量方差。
优选地，基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合包括：
将所述膨胀系数样本集合中的膨胀系数样本分别与目标时刻的系统状态量形成样本计算对，并基于每对样本计算对获取对应膨胀后的样本系统状态量，将所有膨胀后的样本系统状态量集合为膨胀后的样本系统状态量集合；
将膨胀后的样本系统状态量集合中的膨胀后的样本系统状态量均与目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差分别形成优化计算对，并基于每对优化计算对获取对应优化后的样本系统状态量，将所有优化后的样本系统状态量集合为优化后的样本系统状态量集合。
优选地，基于样本计算对中的膨胀系数样本和目标时刻的系统状态量获取对应膨胀后的样本系统状态量的计算式子为：
Figure GDA0004077020280000031
其中，
Figure GDA0004077020280000032
表示膨胀后的样本系统状态量，Xt表示目标时刻的系统状态量，η表示阻尼系数，λt为膨胀系数样本。
优选地，所述损失函数表达式为：
Figure GDA0004077020280000033
其中，
Figure GDA0004077020280000034
表示损失值，
Figure GDA0004077020280000035
表示优化后的样本系统状态量集合中第i个优化后的样本系统状态量，
Figure GDA0004077020280000036
为膨胀系数样本集合中第i个膨胀系数样本，
Figure GDA0004077020280000037
表示目标时刻的系统状态量真值，RMSE函数表示集合样本均方根误差，Spread函数表示集合样本标准差，
Figure GDA0004077020280000038
表示目标时刻的系统状态量真值和优化后的样本系统状态量集合中所有优化后的样本系统状态量从小到大进行排序后所处的位置。
优选地，所述样本生成策略为蒙特卡洛方法。
为了解决上述技术问题，本发明还提供了一种协方差膨胀系数估计方法，在大气数据同化系统中，包括：
获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差；
基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过所述的协方差膨胀系数估计模型训练方法生成的自适应协方差膨胀系数估计模型获取目标时刻的膨胀系数。
为了解决上述技术问题，本发明还提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的协方差膨胀系数估计模型训练方法或所述的协方差膨胀系数估计方法。
为了解决上述技术问题，本发明还提供了一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如所述的协方差膨胀系数估计模型训练方法或所述的协方差膨胀系数估计方法。
与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
应用本发明实施例提供的协方差膨胀系数估计模型训练方法，在大气数据同化系统中，基于膨胀系数有界的特点，通过样本生成策略将膨胀系数生成膨胀系数样本集合，再基于膨胀系数样本生成对应的优化样本系统状态量，而后选取损失值最小的膨胀系数样本作为目标膨胀系数，采用梯度下降反向传播的方式对神经网络进行调整，反复训练以获取具有较高预估准确率的协方差膨胀系数估计模型。本发明实施例提供的协方差膨胀系数估计方法实现了时空变化的自适应协方差膨胀系数估算，提高了基于集合卡尔曼滤波的大气数据同化系统的预报性能和健壮性。
本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：
图1示出了本发明实施例一协方差膨胀系数估计模型训练方法的流程示意图；
图2示出了本发明实施例一协方差膨胀系数估计模型训练方法实施过程示意图；
图3示出了本发明实施例二协方差膨胀系数估计方法的流程示意图；
图4示出了本发明实施例二协方差膨胀系数估计方法实施过程示意图；
图5示出了本发明实施例四终端的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
基于集合卡尔曼滤波的优化估计系统会受到不同来源的误差的影响，如模型、观测和代表性误差。几乎所有的这些误差都会造成对系统状态的协方差的低估。低估集合方差可能会导致集合卡尔曼滤波估计的性能变差，甚至可能导致集合崩溃，导致优化估计系统不再响应观测值。协方差膨胀(Variance Inflation)是缓解集合卡尔曼滤波中协方差低估问题的一种方法。膨胀的方式有两种，加性膨胀和乘性膨胀。加性膨胀是指在预测步骤中将从特定误差分布中提取的随机扰动添加到每个系统成员，可能会使系统协方差接近真实的协方差。乘法膨胀将集合方差乘上一个大于1的因子，相当于将集合成员推离集合均值，希望膨胀的方差能够更加接近方差真值。
实施例一
为解决现有技术中存在的技术问题，本发明实施例提供了一种协方差膨胀系数估计模型训练方法。
本发明主要应用于可观测动态系统的集合卡尔曼滤波最优状态估计中，通过时空可变的膨胀系数调整系统状态集合协方差，以实现更好的状态估计效果。本发明实施例中的系统是指大气数据同化系统。
指状态空间模型框架通常包括三个部分，即系统状态方程，状态变化方程和观测系统，且系统状态量通常是以n维向量来表示的。在t时刻的系统状态量X定义为：
Figure GDA0004077020280000051
其中
Figure GDA0004077020280000052
为状态空间。
对于t-ι→t时刻的状态变化如下定义：
Xt＝Mt-ι,t(Xt+ε)+ζ
其中，ζ表示模型状态传递的误差，ε表示Xt与真实状态的误差，Mt-ι,t表示系统状态从t-ι时刻至t时刻的状态转移函数。对于t时刻观测系统观测的观测状态量定义为：
yt＝H(Xt)+η
其中H表示观测算子，η表示模型状态传递的误差。
最优状态估计问题是在观测yt和状态转移方程H的约束下，求t时刻最优的状态估计
Figure GDA0004077020280000053
在以上大气数据同化系统的基础上，图1示出了本发明实施例一协方差膨胀系数估计模型训练方法的流程示意图；图2示出了本发明实施例一协方差膨胀系数估计模型训练方法实施过程示意图；参考图1和图2所示，本发明实施例协方差膨胀系数估计模型训练方法包括如下步骤。
步骤S101，设置初始参数。
具体地，设定大气数据同化系统的初始系统状态量为X0，并设定训练轮次T。同时还对后续步骤中采用样本生成策略所生成的膨胀系数样本集合的基础参数进行设置，例如需设定膨胀系数样本集合的样本生成数为NC，样本生成方差为
Figure GDA0004077020280000054
步骤S102，设定第t时刻为目标时刻。
具体地，本实施例模型训练中时刻与现实中时刻并不为对应关系，其仅表示神经网络在进行第t次训练的时刻，设定t的初始值为ι。为便于描述，本步骤将第t时刻设定为目标时刻。
步骤S103，获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差。
具体地，在获知大气数据同化系统初始系统状态量为X0的基础上，结合系统的状态变化方程可推导出任意时刻的系统状态量，且由于t的数值为逐次递加的过程，因此在进行第t次训练时，必然已经获取第t-ι时刻的系统状态量Xt-ι。因此在该步骤中可将第t-ι时刻的系统状态量输入状态变化方程，获取第t时刻(即目标时刻)的系统状态量Xt。同时还可提前将所有时刻的系统状态量计算出形成集合，在需要时直接获取即可。同理还需基于大气数据同化系统中的观测子系统对系统的状态量进行一次观测，获得目标时刻的观测状态量Yt。
在获取目标时刻的系统状态量Xt后，即可计算出目标时刻的系统状态量均值
Figure GDA0004077020280000061
和目标时刻的系统状态量方差
Figure GDA0004077020280000062
且获取目标时刻的观测状态量Yt后，即可基于目标时刻的观测状态量Yt计算目标时刻的系统状态量方差
Figure GDA0004077020280000063
需要说明的是，本实施例中的系统状态量是指待优化的系统状态量及其他辅助系统状态量。以对大气系统中的地表温度变量进行优化为例，待优化的系统状态量为地表温度，其他辅助状态量为大气系统中的压强、湿度、风速等其他辅助状态量。观测状态量一般包含在待优化的系统状态量中，且大多数情况与待优化系统状态量一致。若待优化系统状态量个数大于观测系统状态量个数，则要求非观测与观测系统状态量有较强的相关关系。以对大气系统中大气CO2浓度和地表CO2通量进行优化为例，待优化系统状态量为CO2浓度和地表CO2通量，其他辅助系统变量为温度、压强、风速、湿度等。此时观测状态量仅为CO2浓度，但CO2浓度与CO2通量之间是场-源的关系，有较强的相关性。
步骤S104，基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过临时神经网络获取目标时刻的膨胀系数。
具体地，将目标时刻的系统状态量均值
Figure GDA0004077020280000064
目标时刻的系统状态量方差
Figure GDA0004077020280000065
目标时刻的观测状态量Yt和目标时刻的观测状态量方差
Figure GDA0004077020280000066
作为输入，通过临时神经网络获取目标时刻的膨胀系数λt。优选地，可选取多层感知机作为待训练的神经网络。
步骤S105，基于目标时刻的膨胀系数，通过样本生成策略生成膨胀系数样本集合，基于膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合。
具体地，基于目标时刻的膨胀系数λt，通过样本生成策略生成方差为
Figure GDA0004077020280000071
样本生成数为NC的膨胀系数样本集合
Figure GDA0004077020280000072
优选地，样本生成策略采用蒙特卡尔洛方法。而后将膨胀系数样本集合
Figure GDA0004077020280000073
中的膨胀系数样本分别与目标时刻的系统状态量Xt形成样本计算对，并基于每对样本计算对获取对应膨胀后的样本系统状态量
Figure GDA0004077020280000074
其中基于样本计算对中的膨胀系数样本和目标时刻的系统状态量获取对应膨胀后的样本系统状态量过程通过如下式子实现：
Figure GDA0004077020280000075
其中，
Figure GDA0004077020280000076
表示膨胀后的样本系统状态量，Xt表示目标时刻的系统状态量，η表示阻尼系数，λt为膨胀系数样本。
将所有膨胀后的样本系统状态量集合为膨胀后的样本系统状态量集合。
同时再基于膨胀后的样本系统状态量获取优化后的样本系统状态量。进一步将膨胀后的样本系统状态量集合中每个膨胀后的样本系统状态量分别
Figure GDA0004077020280000077
与目标时刻的系统状态量方差
Figure GDA0004077020280000078
目标时刻的观测状态量Yt和目标时刻的观测状态量方差
Figure GDA0004077020280000079
分别形成优化计算对，即每个优化计算对均包括样本系统状态量集合中某个样本系统状态量
Figure GDA00040770202800000710
目标时刻的系统状态量方差
Figure GDA00040770202800000711
目标时刻的观测状态量Yt和目标时刻的观测状态量方差
Figure GDA00040770202800000712
而后再基于每对优化计算对获取对应优化后的样本系统状态量
Figure GDA00040770202800000713
最后将所有优化后的样本系统状态量集合为优化后的样本系统状态量集合
Figure GDA00040770202800000714
步骤S106，通过损失函数计算优化后的样本系统状态量集合中每个优化后的样本系统状态量所对应的损失值，并从所有损失值中选取最小损失值所对应的膨胀系数样本作为目标膨胀系数。
具体地，分别基于样本系统状态量集合
Figure GDA00040770202800000715
中的每个优化后的样本系统状态量
Figure GDA00040770202800000716
计算损失值，并从中选取最小的损失值所对应的膨胀系数样本
Figure GDA00040770202800000717
作为目标膨胀系数。其中损失值基于损失函数获取，损失函数表达式如下：
Figure GDA0004077020280000081
其中，
Figure GDA0004077020280000082
表示损失值，
Figure GDA0004077020280000083
表示优化后的样本系统状态量集合中第i个优化后的样本系统状态量，
Figure GDA0004077020280000084
为膨胀系数样本集合中第i个膨胀系数样本，
Figure GDA0004077020280000085
表示目标时刻的系统状态量真值，RMSE函数表示集合样本均方根误差，Spread函数表示集合样本标准差，
Figure GDA0004077020280000086
表示目标时刻的系统状态量真值和优化后的样本系统状态量集合中所有优化后的样本系统状态量从小到大进行排序后所处的位置。
进一步地，RMSE的计算方式为：
Figure GDA0004077020280000087
N表示优化后的样本系统状态量集合中优化后的样本系统状态量个数。
Spread的计算方式为：
Figure GDA0004077020280000088
其中，A表示
Figure GDA0004077020280000089
Figure GDA00040770202800000810
其中，B表示
Figure GDA00040770202800000811
步骤S107，以目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差为输入，以目标膨胀系数为目标，对临时神经网络进行反向调整，以获取调整后的预设神经网络。
具体地，以目标时刻的系统状态量均值
Figure GDA00040770202800000812
目标时刻的系统状态量方差
Figure GDA00040770202800000813
目标时刻的观测状态量Yt和目标时刻的观测状态量方差
Figure GDA00040770202800000814
为输入，以目标膨胀系数
Figure GDA00040770202800000815
为目标，采用梯度下降和反向传播的方法对临时神经网络进行反向调整，以获取调整后的预设神经。
步骤S108，将t加ι，且判断t是否大于T，若是则转步骤S109，否则将调整后的预设神经网络作为临时神经网络，ι为单位时间长度，并转到步骤S102。
具体地，将当前t进行加ι得到新的t，判断新得到的t是否大于T，若是则表示训练次数已经达到所设定的训练轮次T，训练结束，此时需转到步骤S109中，而若新得到的t不大于T，则表示训练还未结束，此时需将新获取的调整后的预设神经网络作为新的临时神经网络，以应用于下一轮训练的步骤S104中，同时转到步骤S102，进行下一轮的训练。
步骤S109，将调整后的预设神经网络作为自适应协方差膨胀系数估计模型，训练结束。
本发明实施例提供的协方差膨胀系数估计模型训练方法，基于膨胀系数有界的特点，通过样本生成策略将膨胀系数生成膨胀系数样本集合，再基于膨胀系数样本生成对应的优化样本系统状态量，而后选取损失值最小的膨胀系数样本作为目标膨胀系数，采用梯度下降反向传播的方式对神经网络进行调整，反复训练以获取具有较高预估准确率的协方差膨胀系数估计模型。
实施例二
为解决现有技术中存在的技术问题，本发明实施例提供了一种协方差膨胀系数估计方法。
图3示出了本发明实施例二协方差膨胀系数估计方法的流程示意图；图4示出了本发明实施例二协方差膨胀系数估计方法实施过程示意图；参考图3和图4所示，本发明实施例协方差膨胀系数估计方法包括如下步骤，且发明实施例在大气的数据同化系统中实施。
步骤S201，获取估计时刻的系统状态量均值和估计时刻的系统状态量方差，并获取估计时刻的观测状态量和估计时刻的观测状态量方差。
具体地，本步骤中获取估计时刻的系统状态量均值和估计时刻的系统状态量方差，以及获取估计时刻的观测状态量和估计时刻的观测状态量方差的方式，与实施例一步骤S103中获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，以及获取目标时刻的观测状态量和目标时刻的观测状态量方差的方式相同，在此不再对其进行过多赘述。
步骤S202，基于估计时刻的系统状态量均值、估计时刻的系统状态量方差、估计时刻的观测状态量和估计时刻的观测状态量方差，通过自适应协方差膨胀系数估计模型获取估计时刻的膨胀系数。
具体地，以估计时刻的系统状态量均值、估计时刻的系统状态量方差、估计时刻的观测状态量和估计时刻的观测状态量方差作为输入，通过自适应协方差膨胀系数估计模型获取估计时刻的膨胀系数。其中自适应协方差膨胀系数估计模型是通过实施例一方式训练获取，在此不对其进行过多赘述。
本发明实施例提供的协方差膨胀系数估计方法实现了时空变化的自适应协方差膨胀系数估算，提高了基于集合卡尔曼滤波的大气数据同化系统的预报性能和健壮性。
实施例三
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种存储介质，其存储有计算机程序，该计算机程序被处理器执行时可实现实施例一中所述的协方差膨胀系数估计模型训练方法或实施例二中所述的协方差膨胀系数估计方法中的所有步骤。
所述的协方差膨胀系数估计模型训练方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例一相同，在此不在对其进行赘述。训练方法和实施例二中所述的协方差膨胀系数估计方法的具体步骤以及应用本发明实施例提供的可读存储介质获取的有益效果均与实施例二相同，在此不在对其进行赘述。
需要说明的是：存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例四
为解决现有技术中存在的上述技术问题，本发明实施例还提供了一种终端。
图5示出了本发明实施例四终端结构示意图，参照图5，本实施例终端包括相互连接的处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使终端执行时可实现实施例一中所述的协方差膨胀系数估计模型训练方法或实施例二中所述的协方差膨胀系数估计方法中的所有步骤。
所述的协方差膨胀系数估计模型训练方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例一相同，在此不在对其进行赘述。所述的协方差膨胀系数估计方法的具体步骤以及应用本发明实施例提供的终端获取的有益效果均与实施例二相同，在此不在对其进行赘述。
需要说明的是，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。同理处理器也可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (8)

1.一种协方差膨胀系数估计模型训练方法，其特征在于，在大气数据同化系统中，包括：
设定第t时刻为目标时刻；
获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差；
基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过临时神经网络获取目标时刻的膨胀系数；
基于目标时刻的膨胀系数，通过样本生成策略生成膨胀系数样本集合，基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合，并基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合；
通过损失函数计算优化后的样本系统状态量集合中每个优化后的样本系统状态量所对应的损失值，并从所有损失值中选取最小损失值所对应的膨胀系数样本作为目标膨胀系数；
以目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差为输入，以所述目标膨胀系数为目标，对所述临时神经网络进行反向调整，以获取调整后的预设神经网络；
将t加ι，且判断t是否大于T，若是则将调整后的预设神经网络作为自适应协方差膨胀系数估计模型，否则将所述调整后的预设神经网络作为临时神经网络，并重新设定第t时刻为目标时刻；
其中，t的初始值为ι，ι为单位时间长度，且T为训练轮次；
获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差步骤包括：
基于第t-ι时刻的系统状态量，通过所述大气数据同化系统的系统状态方程计算目标时刻的系统状态量，基于目标时刻的系统状态量计算目标时刻的系统状态量均值和目标时刻的系统状态量方差；
通过所述大气数据同化系统的观测子系统对所述大气数据同化系统进行一次观测，以获取目标时刻的观测状态量，并基于目标时刻的观测状态量计算目标时刻的系统状态量方差，
基于所述膨胀系数样本集合中的膨胀系数样本和目标时刻的系统状态量获取膨胀后的样本系统状态量集合包括：
将所述膨胀系数样本集合中的膨胀系数样本分别与目标时刻的系统状态量形成样本计算对，并基于每对样本计算对获取对应膨胀后的样本系统状态量，将所有膨胀后的样本系统状态量集合为膨胀后的样本系统状态量集合，其中基于样本计算对中的膨胀系数样本和目标时刻的系统状态量获取对应膨胀后的样本系统状态量，
所述损失函数表达式为：
Figure FDA0004077020260000021
其中，
Figure FDA0004077020260000022
表示损失值，
Figure FDA0004077020260000023
表示优化后的样本系统状态量集合中第i个优化后的样本系统状态量，
Figure FDA0004077020260000024
为膨胀系数样本集合中第i个膨胀系数样本，
Figure FDA0004077020260000025
表示目标时刻的系统状态量真值，RMSE函数表示集合样本均方根误差，Spread函数表示集合样本标准差，
Figure FDA0004077020260000026
表示目标时刻的系统状态量真值和优化后的样本系统状态量集合中所有优化后的样本系统状态量从小到大进行排序后所处的位置。
2.根据权利要求1所述的模型训练方法，其特征在于，设定第t时刻为目标时刻步骤之前还包括：
设置初始系统状态量，并设置所述膨胀系数样本集合的样本生成数为NC，样本生成方差为
Figure FDA0004077020260000027
3.根据权利要求1所述的模型训练方法，其特征在于，基于所述膨胀后的样本系统状态量集合、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差获取优化后的样本系统状态量集合包括：
将膨胀后的样本系统状态量集合中的膨胀后的样本系统状态量均与目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差分别形成优化计算对，并基于每对优化计算对获取对应优化后的样本系统状态量，将所有优化后的样本系统状态量集合为优化后的样本系统状态量集合。
4.根据权利要求1所述的模型训练方法，其特征在于，基于样本计算对中的膨胀系数样本和目标时刻的系统状态量获取对应膨胀后的样本系统状态量的计算式子为：
Figure FDA0004077020260000028
其中，
Figure FDA0004077020260000029
表示膨胀后的样本系统状态量，Xt表示目标时刻的系统状态量，η表示阻尼系数，λt为膨胀系数样本。
5.根据权利要求1所述的模型训练方法，其特征在于，所述样本生成策略为蒙特卡洛方法。
6.一种协方差膨胀系数估计方法，在大气数据同化系统中，包括：
获取目标时刻的系统状态量均值和目标时刻的系统状态量方差，并获取目标时刻的观测状态量和目标时刻的观测状态量方差；
基于目标时刻的系统状态量均值、目标时刻的系统状态量方差、目标时刻的观测状态量和目标时刻的观测状态量方差，通过权利要求1-5中任一项所述的协方差膨胀系数估计模型训练方法生成的自适应协方差膨胀系数估计模型获取目标时刻的膨胀系数。
7.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至5中任一项所述的协方差膨胀系数估计模型训练方法或权利要求6中所述的协方差膨胀系数估计方法。
8.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至5中任一项所述的协方差膨胀系数估计模型训练方法或权利要求6中所述的协方差膨胀系数估计方法。
CN202211560181.4A 2022-12-07 2022-12-07 协方差膨胀系数估计方法、模型训练方法、存储介质终端 Active CN115587629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211560181.4A CN115587629B (zh) 2022-12-07 2022-12-07 协方差膨胀系数估计方法、模型训练方法、存储介质终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211560181.4A CN115587629B (zh) 2022-12-07 2022-12-07 协方差膨胀系数估计方法、模型训练方法、存储介质终端

Publications (2)

Publication Number Publication Date
CN115587629A CN115587629A (zh) 2023-01-10
CN115587629B true CN115587629B (zh) 2023-04-07

Family

ID=84783456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211560181.4A Active CN115587629B (zh) 2022-12-07 2022-12-07 协方差膨胀系数估计方法、模型训练方法、存储介质终端

Country Status (1)

Country Link
CN (1) CN115587629B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5521813A (en) * 1993-01-15 1996-05-28 Strategic Weather Services System and method for the advanced prediction of weather impact on managerial planning applications
CN110705115A (zh) * 2019-10-10 2020-01-17 北京北科融智云计算科技有限公司 一种基于深度置信网络的气象预报方法和系统
EP3637186A1 (en) * 2018-10-09 2020-04-15 ASML Netherlands B.V. Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus
CN112115419A (zh) * 2020-09-14 2020-12-22 深圳大学 系统状态估计方法、系统状态估计装置
WO2021063728A1 (en) * 2019-10-02 2021-04-08 Asml Netherlands B.V. Process monitoring and tuning using prediction models
WO2021189848A1 (zh) * 2020-09-22 2021-09-30 平安科技（深圳）有限公司 模型训练方法、杯盘比确定方法、装置、设备及存储介质
WO2021244425A1 (zh) * 2020-06-01 2021-12-09 广州虎牙科技有限公司 模型训练、图像识别方法和装置、电子设备及存储介质
CN113792262A (zh) * 2021-09-27 2021-12-14 王世璋 一种局地集合资料同化方法
CN114070262A (zh) * 2021-10-26 2022-02-18 南京大学 附加扰动的集成混合集合卡尔曼滤波天气预报同化方法及其装置
CN114464272A (zh) * 2022-02-25 2022-05-10 中国科学院上海高等研究院 Co与co2排放比例系数估算方法及装置、存储介质和终端
CN114609008A (zh) * 2022-03-30 2022-06-10 中国科学院地理科学与资源研究所 一种气体浓度预测模型的训练方法和气体浓度预测方法
CN115081307A (zh) * 2022-04-28 2022-09-20 同济大学 一种基于神经网络的气象数值模式同化方法及装置
CN115129706A (zh) * 2022-09-02 2022-09-30 中国气象局气象探测中心 一种考虑周期性特征的土壤水分观测数据质量评估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112149829B (zh) * 2020-10-23 2024-05-14 北京百度网讯科技有限公司 确定网络模型剪枝策略的方法、装置、设备以及存储介质
US11579335B2 (en) * 2020-11-13 2023-02-14 University Of Florida Research Foundation, Inc. In situ measurement station for monitoring wind and water properties in extreme hydrodynamic conditions
US20220221616A1 (en) * 2021-01-08 2022-07-14 Innovim, Llc Landfalling event atmospheric river neural network (learn2) forecast tool

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5521813A (en) * 1993-01-15 1996-05-28 Strategic Weather Services System and method for the advanced prediction of weather impact on managerial planning applications
EP3637186A1 (en) * 2018-10-09 2020-04-15 ASML Netherlands B.V. Method of calibrating a plurality of metrology apparatuses, method of determining a parameter of interest, and metrology apparatus
CN113039488A (zh) * 2018-10-09 2021-06-25 Asml荷兰有限公司 校准多个计量设备的方法、确定感兴趣参数的方法以及计量设备
CN114556219A (zh) * 2019-10-02 2022-05-27 Asml荷兰有限公司 使用预测模型的过程监控和调节
WO2021063728A1 (en) * 2019-10-02 2021-04-08 Asml Netherlands B.V. Process monitoring and tuning using prediction models
CN110705115A (zh) * 2019-10-10 2020-01-17 北京北科融智云计算科技有限公司 一种基于深度置信网络的气象预报方法和系统
WO2021244425A1 (zh) * 2020-06-01 2021-12-09 广州虎牙科技有限公司 模型训练、图像识别方法和装置、电子设备及存储介质
CN112115419A (zh) * 2020-09-14 2020-12-22 深圳大学 系统状态估计方法、系统状态估计装置
WO2021189848A1 (zh) * 2020-09-22 2021-09-30 平安科技（深圳）有限公司 模型训练方法、杯盘比确定方法、装置、设备及存储介质
CN113792262A (zh) * 2021-09-27 2021-12-14 王世璋 一种局地集合资料同化方法
CN114070262A (zh) * 2021-10-26 2022-02-18 南京大学 附加扰动的集成混合集合卡尔曼滤波天气预报同化方法及其装置
CN114464272A (zh) * 2022-02-25 2022-05-10 中国科学院上海高等研究院 Co与co2排放比例系数估算方法及装置、存储介质和终端
CN114609008A (zh) * 2022-03-30 2022-06-10 中国科学院地理科学与资源研究所 一种气体浓度预测模型的训练方法和气体浓度预测方法
CN115081307A (zh) * 2022-04-28 2022-09-20 同济大学 一种基于神经网络的气象数值模式同化方法及装置
CN115129706A (zh) * 2022-09-02 2022-09-30 中国气象局气象探测中心 一种考虑周期性特征的土壤水分观测数据质量评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Julien Brajard, Alberto Carrassi,Marc Bocquet,Laurent Bertino.《combining data assimilation and machine learning to emulate a dynamical model from sparse and noisy observations: A case study with the Lorenz 96 model》.《Journal of computation science》.2020,441-11. *
孙凤娟，田勇，孙开征，付华轩，张文娟，李敏，吕晨.《基于人工神经网络集合预报的济南市臭氧预报办法》.《环境与生态》.2022,第35卷(第35期),89-99. *
朱浩楠 ; 闵锦忠 ; 杜宁珠 ; .HBFNEnKF混合同化方法设计及检验.大气科学.(第05期),全文. *
杨硕 ; 刘厂 ; 吴新荣 ; 李宁 ; .基于简单模式的集合卡尔曼滤波与粒子滤波的比较研究.热带气象学报.(第05期),全文. *

Also Published As

Publication number Publication date
CN115587629A (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
CN110675623B (zh) 基于混合深度学习的短时交通流量预测方法、系统、装置
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN110632572A (zh) 基于无意调相特性的雷达辐射源个体识别方法及装置
CN114124033A (zh) 卡尔曼滤波器的实现方法、装置、存储介质和设备
CN110443419A (zh) 基于iceemdan与极限学习机的中长期径流预测方法
CN107704426A (zh) 基于扩展小波神经网络模型的水位预测方法
CN114169645A (zh) 一种智能电网短期负荷预测方法
CN113780636A (zh) 一种基于EMD-GRU-Attention的太阳能辐射预测方法
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN115587629B (zh) 协方差膨胀系数估计方法、模型训练方法、存储介质终端
CN111612648B (zh) 光伏发电预测模型的训练方法、装置和计算机设备
CN115983165A (zh) Lms自适应滤波器的性能测试方法和性能测试装置
KR102138227B1 (ko) 유동 해석을 최적화하기 위한 장치 및 이를 위한 방법
CN113610665B (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法
CN110852415A (zh) 基于神经网络算法的植被指数预测方法、系统及设备
Ridder Asymptotic optimality of the cross-entropy method for Markov chain problems
Dutordoir et al. Deep Gaussian process metamodeling of sequentially sampled non-stationary response surfaces
CN114819107A (zh) 基于深度学习的混合数据同化方法
CN114692529A (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
CN109474258B (zh) 基于核极化策略的随机傅立叶特征核lms的核参数优化方法
CN112446516A (zh) 一种出行预测方法及装置
CN118114031B (zh) 基于机器学习的无线电波形预测方法及系统
CN118013290B (zh) 一种电离层tec预报方法、系统、计算机设备及介质
CN113656953B (zh) 一种基于状态数最优决策模型的风电功率序列建模方法
CN112115419B (zh) 系统状态估计方法、系统状态估计装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant