CN115630566A - 一种基于深度学习和动力约束的资料同化方法和系统 - Google Patents
一种基于深度学习和动力约束的资料同化方法和系统 Download PDFInfo
- Publication number
- CN115630566A CN115630566A CN202211190215.5A CN202211190215A CN115630566A CN 115630566 A CN115630566 A CN 115630566A CN 202211190215 A CN202211190215 A CN 202211190215A CN 115630566 A CN115630566 A CN 115630566A
- Authority
- CN
- China
- Prior art keywords
- data
- assimilation
- constraint
- model
- representing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 114
- 230000006870 function Effects 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 4
- 241000282326 Felis catus Species 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012950 reanalysis Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习和动力约束的资料同化方法和系统，本方法能够获取观测数据，基于观测数据获得分析场数据；基于分析场数据获得背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集；基于动力约束，构建动力约束损失函数，并基于动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；将分析场数据和样本数据集作为训练数据集对动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；通过训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。本发明能够提高训练模型的准确度，具有更准确的同化结果，提高了分析场精确度。
Description
技术领域
本发明涉及气象预报技术领域，尤其是涉及一种基于深度学习和动力约束的资料同化方法和系统。
背景技术
数值天气预报(NWP)是一个初始值问题，其中数值模型及时整合以预测大气的未来状态。如果初始值的误差达到一定水平，就会导致预测失败。减少误差增长的主要方法是让模型受到观察的影响。数据同化(DA)是通过使用观察更新模型状态来保持数值模型与现实之间关系的技。它通过融合所有可用信息(例如，短期预报背景场、观测数据、误差估计等)来估计最准确的大气状态，以提供足够准确的初始场。
已有的经典资料同化方法通常采用在同化窗口内通过迭代优化泛函目标的方式或采用来自集成员的不确定性估计从而对背景场进行更新，难以利用海量历史数据且需要显式构造不确定信息；现有基于深度学习的资料同化方案精确度相比经典方法都有一定降低，且部分方法无法在使用时引入观测数据。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度学习和动力约束的资料同化方法和系统，能够最大化利用历史数据，获取更准确的同化结果，提高分析场精确度。
第一方面，本发明实施例提供了一种基于深度学习和动力约束的资料同化方法，包括步骤：
获取观测数据，基于所述观测数据获得分析场数据；
基于所述分析场数据获得背景场数据，将所述观测数据和所述背景场数据联合拼接，获得样本数据集；
基于动力约束，构建动力约束损失函数，并基于所述动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；
将所述分析场数据和所述样本数据集作为训练数据集对所述动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；
通过所述训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。
与现有技术相比，本发明第一方面具有以下有益效果：
本方法通过获取观测数据，基于观测数据获得分析场数据；基于分析场数据获得背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集；本方法能够通过融合背景场数据和观测数据，对于不同误差的观测都具有稳定的同化吸收效果，使用分析场数据作为训练标签，能够提高训练模型的准确度。本方法还通过基于动力约束，构建动力约束损失函数，并基于动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；将分析场数据和样本数据集作为训练数据集对动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；通过训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。本方法采用动力约束损失函数，克服了现有深度资料同化方法对于精确度提升的局限性，并通过基础卷积模块对样本数据集进行特征提取，基于通道注意力的状态特征融合方法，以残差神经网络为基础，对通道特征进行了建模，因此，本方法具有更准确的同化结果，提高了分析场精确度。
根据本发明的一些实施例，所述获取观测数据，基于所述观测数据获得分析场数据，包括：
对所述观测数据进行同化，获得分析数据场。
根据本发明的一些实施例，所述动力约束损失函数的表达式包括：
其中，n表示同化时刻后用于动力约束的分析场所在同化窗口的个数，
表示动力模式预报，下标i表示预报同化窗口的个数，Δ表示同化时间窗口长度，ωi表示对应损失值的权重。
根据本发明的一些实施例，所述基础卷积模块包括1*1卷积和ReLU激活函数，所述通过所述基础卷积模块进行特征提取，包括：
通过两组1*1卷积和ReLU激活函数对所述样本数据集进行特征提取，获得特征数据集；
将所述特征数据集和所述样本数据集进行拼接串联，获得串联数据集；
通过一组1*1卷积和ReLU激活函数对所述串联数据集进行特征提取，获得联合特征数据集。
根据本发明的一些实施例，所述通道注意力模块的表达式包括：
xse＝sigmoid(W2(W1(adaptive_avg(xfusion))+b1)+b2)*xfusion
其中，xse表示通道注意力加权特征，W1(x)+b1表示编码器的结构形式，W2(x)+b2表示解码器的结构形式，sigmoid表示sigmoid函数，所述sigmoid函数用于得到各通道的重要性分数。
根据本发明的一些实施例，所述动力约束资料同化模型通过如下方式进行特征聚合：
xfusion＝max(0,(ωinxin+ωoutxout))
其中，xfusion表示特征聚合，所述特征聚合为一个非线性数据加权，xin表示所述样本数据集的张量，ωin表示所述样本数据集的张量对应的聚合权重，xout表示所述特征数据集的张量，ωout表示所述特征数据集的张量对应的聚合权重。
根据本发明的一些实施例，所述通过所述训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果，包括：
通过所述训练好的动力约束资料同化模型的残差网络模块，将所述训练好的动力约束资料同化模型的输出与输入所述训练好的动力约束资料同化模型的初始场数据的背景场进行相加，获得分析场结果，所述残差网络模块的表达式为：
其中，NN表示所述训练好的动力约束资料同化模型的表达形式，xb表示背景场数据，y表示当前同化时间窗口内的各积分步长时间上的观测数据，cat表示数据通道维度的串接操作。
第二方面，本发明实施例还提供了一种基于深度学习和动力约束的资料同化系统，包括：
数据获取单元，用于获取观测数据，基于所述观测数据获得分析场数据；
样本数据集获取单元，用于基于所述分析场数据获得背景场数据，将所述观测数据和所述背景场数据联合拼接，获得样本数据集；
模型构建单元，用于基于动力约束，构建动力约束损失函数，并基于所述动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；
模型训练单元，用于将所述分析场数据和所述样本数据集作为训练数据集对所述动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；
分析场结果获取单元，用于通过所述训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。
与现有技术相比，本发明第二方面具有以下有益效果：
本系统的数据获取单元通过获取观测数据，基于观测数据获得分析场数据；样本数据集获取单元，用于基于分析场数据获得背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集；本系统能够通过融合背景场数据和观测数据，对于不同误差的观测都具有稳定的同化吸收效果，使用分析场数据作为训练标签，能够提高训练模型的准确度。本系统的模型构建单元，用于基于动力约束，构建动力约束损失函数，并基于动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；模型训练单元，用于将分析场数据和样本数据集作为训练数据集对动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；分析场结果获取单元，用于通过训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。本系统采用动力约束损失函数，克服了现有深度资料同化方法对于精确度提升的局限性，并通过基础卷积模块对样本数据集进行特征提取，基于通道注意力的状态特征融合方法，以残差神经网络为基础，对通道特征进行了建模，因此，本系统具有更准确的同化结果，提高了分析场精确度。
第三方面，本发明实施例还提供了一种基于深度学习和动力约束的资料同化设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种基于深度学习和动力约束的资料同化方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种基于深度学习和动力约束的资料同化方法。
可以理解的是，上述第三方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种基于深度学习和动力约束的资料同化方法的流程图；
图2是本发明一实施例的动力约束资料同化模型的结构图；
图3是本发明一实施例的基础卷积模块的结构图；
图4是本发明一实施例的基于深度学习和动力约束的资料同化方法离线训练的示意图；
图5是本发明一实施例的随集合成员变化的均方根误差对比的结果图；
图6是本发明一实施例的随集合成员变化的误差降低比例对比的结果图；
图7是本发明一实施例的随动力约束预报步长变化的均方根误差对比的结果图；
图8是本发明一实施例的随动力约束预报步长变化的误差降低比例对比的结果图；
图9是本发明一实施例的随观测误差变化的均方根误差对比的结果图；
图10是本发明一实施例的随观测误差变化的误差降低比例对比的结果图；
图11是本发明一实施例的随Lorenz96维度变化的均方根误差对比的结果图；
图12是本发明一实施例的随Lorenz96维度变化的误差降低比例对比的结果图；
图13是本发明一实施例的随Lorenz96维度变化的DGDA与iEnKS速度之比的结果图；
图14是本发明一实施例的一种基于深度学习和动力约束的资料同化系统的结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
数值天气预报(NWP)是一个初始值问题，其中数值模型及时整合以预测大气的未来状态。如果初始值的误差达到一定水平，就会导致预测失败。减少误差增长的主要方法是让模型受到观察的影响。数据同化(DA)是通过使用观察更新模型状态来保持数值模型与现实之间关系的技。它通过融合所有可用信息(例如，短期预报背景场、观测数据、误差估计等)来估计最准确的大气状态，以提供足够准确的初始场。
已有的经典资料同化方法通常采用在同化窗口内通过迭代优化泛函目标的方式或采用来自集成员的不确定性估计从而对背景场进行更新，难以利用海量历史数据且需要显式构造不确定信息；现有基于深度学习的资料同化方案精确度相比经典方法都有一定降低，且部分方法无法在使用时引入观测数据。
为解决上述问题，本发明通过获取观测数据，基于观测数据获得分析场数据；基于分析场数据获得背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集；本发明能够通过融合背景场数据和观测数据，对于不同误差的观测都具有稳定的同化吸收效果，使用分析场数据作为训练标签，能够提高训练模型的准确度。本发明还通过基于动力约束，构建动力约束损失函数，并基于动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；将分析场数据和样本数据集作为训练数据集对动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；通过训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。本发明采用动力约束损失函数，克服了现有深度资料同化方法对于精确度提升的局限性，并通过基础卷积模块对样本数据集进行特征提取，基于通道注意力的状态特征融合方法，以残差神经网络为基础，对通道特征进行了建模，因此，本发明具有更准确的同化结果，提高了分析场精确度。
参照图1，本发明实施例提供了一种基于深度学习和动力约束的资料同化方法，该方法包括：
步骤S100、获取观测数据，基于观测数据获得分析场数据。
具体的，获取观测数据，通过数据预处理模块获得分析场数据，具体包括：
通过使用传统的常用业务化资料同化方法，对Lorenz96示范系统的观测与预报背景场进行分析预报循环处理，得到一系列分析场数据作为再分析训练标签。本实施例主要采用四维变分同化(four-dimensional variational assimilation，缩写为4DVar)、集合卡尔曼滤波同化(ensemble Kalman Filter，缩写为EnKF)、局地化扩展卡尔曼滤波同化(Local Ensemble Transform Kalman Filter，缩写为LETKF)以及迭代集合卡尔曼平滑同化(ensemble Kalman Smoothing，缩写为iEnKS)等方法进行再分析数据生成。
4DVar方法主要采用对如下目标泛函进行优化得到分析场：
其中，x表示所优化调整的场(最后收敛结果为分析场)，xb表示背景场，B0表示同化时间窗口初始时刻背景误差协方差矩阵，t表示所迭代的时间步，T表示所迭代的同化时间窗口内时间步总数，
表示第t个时间步的观测数据，
表示观测算子，x(t)表示以背景场作为初始场往前预报t个时间步的预报场，Rt表示观测误差协方差矩阵。
EnKF、LETKF等方法均属于集合同化的方法，可表示为采用如下分析方程获得分析场：
其中，
表示第i个集合成员的分析场，
表示第i个集合成员的背景场，Pb表示背景误差协方矩阵，H表示线性观测算子，R表示观测误差协方差矩阵，d(i)表示第i个集合成员的观测与背景在观测空间的距离。
iEnKS属于四维集合变分方法，是一种不使用线性模型的纯集合变分方法，其主要通过对如下泛函目标进行优化得到分析场：
其中，w表示集合空间中的状态向量，X0表示初始时刻集合成员的归一化矩阵，
表示初始时刻集合成员的均值，
表示观测算子，
表示动力模式预报，yk表示k时刻的观测数据，Rk表示观测误差协方差矩阵，L＝S时，表示同化窗口不重叠，L和S表示时间步长。
4DVar与iEnKS采用当前同化窗口内所有的观测进行同化得到分析场数据，EnKF与LETKF方法利用同化窗口开始时刻的观测进行同化得到分析场数据。
步骤S200、基于分析场数据获得背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集。
具体的，基于步骤S100中任一种传统的常用业务化资料同化方法的分析场数据进行预报得到背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集。
例如，本实施例将时间窗口内所有站点的大气波动的常规观测数据与当前时刻背景场数据联合作为模型的输入，以Lorenz96示范系统为例，对于Lorenz96示范系统，迭代步长设置为0.01，同化窗口设置为0.05，则以t时刻作为同化窗口的开始，t+0.05作为同化窗口的结束，将当前时间窗口内所有的观测yt、yt+0.01、yt+0.02、yt+0.03、yt+0.04与时间窗口开始时刻背景场
联合拼接作为模型的输入。将当前同化时间窗口开始时刻以及之后多个同化时间窗口开始时刻的分析场
作为训练标签对模型进行训练，其中n表示当前同化时间窗口之后用于训练的同化时间窗口个数。
步骤S300、基于动力约束，构建动力约束损失函数，并基于动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型。
具体的，动力约束是一种约束模型学习的物理信息，旨在通过先验知识的引入提高模型的可解释性与泛化性。本实施例的动力约束即数值预报模式，以Lorenz96模式为例，其主要表现为一个具有时变系统的状态，其运动轨迹由一个明确的、固定时间步长的满足利普希茨连续条件的偏微分方程表示：
其中，Δ>0，积分方案采用四阶龙格库塔，t表示时间，
表示偏微分方程积分模式，f表示方程的右端项。该混沌系统可以描述为一个序列{x(t0),x(t0+Δ),…,x(t0+nΔ),…,x(t0+NΔ)}，其中x(t0+nΔ)＝xn。同时，本实施例对该混沌系统的状态同步进行了观测：
其中，观测算子
将混沌系统的状态映射到观测空间，通常包括空间插值、卷积、光谱到物理空间的变换等，一般假设观测误差
在本实施例中选取的Lorenz96模式的偏微分方程组表示为：
其中，j＝1,2,…,J，且x-1＝xJ-1，x0＝xJ，xJ+1＝x1。
基于动力约束，构建动力约束损失函数为：
其中，n表示同化时刻后用于动力约束的分析场所在同化窗口的个数，
表示动力模式预报，下标i表示预报同化窗口的个数，Δ表示同化时间窗口长度，ωi表示对应损失值的权重。
参照图2，构建动力约束资料同化模型，构建过程为：
参照图3，基础卷积模块包括1*1卷积和ReLU激活函数，通过基础卷积模块进行特征提取，提取过程包括：
通过两组1*1卷积和ReLU激活函数对样本数据集进行特征提取，获得特征数据集；
将特征数据集和样本数据集进行拼接串联，获得串联数据集；
通过一组1*1卷积和ReLU激活函数对串联数据集进行特征提取，获得联合特征数据集。
特征聚合是一个非线性数据加权，该基础卷积模块在两组1*1卷积和ReLU激活函数对样本数据集进行特征提取之后，通过通道拼接的方式，需要进行特征聚合，然后将特征数据集和样本数据集进行拼接串联，再通过一组1*1卷积和ReLU激活函数对串联数据集进行特征提取，获得联合特征数据集。通过如下方式进行特征聚合：
xfusion＝max(0,(ωinxin+ωoutxout))
其中，xfusion表示特征聚合，特征聚合为一个非线性数据加权，xin表示样本数据集的张量，ωin表示样本数据集的张量对应的聚合权重，xout表示特征数据集的张量，ωout表示特征数据集的张量对应的聚合权重。
通过基础卷积模块进行特征提取后，通过通道注意力模块获得各通道的重要性分数，通道注意力模块的表达式为：
xse＝sigmoid(W2(W1(adaptive_avg(xfusion))+b1)+b2)*xfusion
其中，xse表示通道注意力加权特征，W1(x)+b1表示编码器的结构形式，W2(x)+b2表示解码器的结构形式，sigmoid表示sigmoid函数，sigmoid函数用于得到各通道的重要性分数；所述通道注意力通过对向量使用自适应均值池化adaptive_avg进行加权求和得到C×1的特征，通过W1(x)+b1结构的编码器与W2(x)+b2结构的解码器获取各通道的重要性特征，使用sigmoid函数得到各通道的重要性分数，所述各通道的重要性分数与原特征xfusion求舒尔积得到通道注意力加权特征。
经过通道注意力模块获得通道注意力加权特征后，通过卷积核为k*k大小的一维卷积(k为偏微分方程组中各变量的相关变量个数加1)进行格点空间相关性特征提取，输出分析增量。
将分析增量和背景场数据通过一维残差网络模块进行相加，获得分析场结果。
基于上述的动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型。
在物理信息神经网络中，一般将需要求解偏微分方程的空间位置x与时间信息t输入神经网络，输出偏微分方程对应的系统状态量u，通过神经网络的自动微分功能，求取
等微分结果，并将其输入偏微分方程，判断是否满足偏微分方程的初边值条件，从而引导物理信息神经网络学习方程的信息与结果。需要说明的是物理信息神经网络是现有技术，本实施例不作详细说明。
对于示例自治动力系统Lorenz96，参照图4，将背景场数据与观测数据联合作为动力约束资料同化模型的输入，将输出结果做预报与同化窗口开始时刻分析场计算L2的距离损失，并通过将动力约束资料同化模型输出结果预报与之后多个同化窗口对应的分析场拟合，使得动力约束资料同化模型(DGDA)输出的结果满足预报模式的物理约束。
本实施例为了验证动力约束的合理性，在线性系统简化下进行证明：
引理：对于一个线性系统：xt+1＝Mxt,x∈Rn，有两组估计，误差分别为ε1与ε2(ε1和ε2∈Rn)，且ε1和ε2与系统模式M、系统状态真值xr无关，则：
证明：考虑k＝1的情况，对于一般的ε∈Rn，即ε为n×1的向量。线性算子Mt+1:t可表示为n×n的矩阵，且MTM正定，推理过程为：
一方面，若
E(‖ε1‖2)<E(‖ε2‖2)；
则
另一方面，若
则
即
E(‖ε1‖2)<E(‖ε2‖2)。
故，k＝1时引理得证。
当k>1时，可通过对预报过程迭代化归为k＝1的情况，故引理得证。
动力约束损失函数选取证明：
需要解决的问题为寻找一个算子
其中，xb表示利用分析场xa进行短期预报得到的背景场(预报场)，y表示同化时间窗口内的观测，xn表示通过算子
得到的结果，xr表示真实的系统状态。
在线性系统且模式无偏的前提下，分析场xa与xb可表示为：
εa与xr、xn、εn、M无关，εn与xr、xa、εa、M无关。
算子需要满足如下条件：
E(‖εn‖2)<E(‖εa‖2)。
可以证明，在无真实状态xr作为标签值的情况下，要求取算子
等价于优化如下泛函：
其中，ωi≥0。
证明：
故，想要通过学习xa获得比xa更准的分析场，需要优化上述泛函(神经网络选取的损失函数)。
证毕。
为了将线性假设的证明进行推广并计算相应的权重，下面利用极大似然估计方法给出仅在高斯假设下的进一步推广。将现有标签分析场记为xa∈Rn，相对于真值xr，记
则假设偏差服从高斯分布，即xa～N(xr,A)，其中，A表示分析场误差协方差矩阵。可以得到xa的概率密度函数为：
在强约束资料同化问题中，通常假设模式无偏差，本发明的目的是想要通过学习xa获得比xa更准的分析场，故，考虑通过使用未来时刻分析场
获得隐式的系统动态信息，从而反演准确的初始场
对于未来的分析场，假设各自独立，又因为满足李普希茨联系条件的偏微分方程初值问题的解是唯一的，则：
由于分析场是通过同化后对真实系统状态的最优(或次优)估计，则本实施例的目的为找到一个初始场，使得其预报的结果恰好与未来的分析场更接近，即使得未来预报结果是对应分析场的概率最大。则采用极大似然估计的思想，问题等价于最大化联合概率：
上述概率最大等价于最小化如下泛函：
在线性与高斯假设下的代价函数不同点为：高斯假设下定义的距离为
而不是简单的二范数，通过这种方式，可以将代价函数中每一项的权重计算出来。而对于矩阵A的计算，采用长时间序列的分析场，通过计算协方差可以获得一种估计。
在本实施例中，通过特征聚合得到的特征对基础卷积层的输入(即，样本数据集)和基础卷积层的输出(即，特征数据集)进行了非线性加权，再通过编码器的结构形式和解码器的结构形式对各通道的重要性进行打分重新分配权重可实现具有更大信息效果的通道特征对输出特征的影响增大。
步骤S400、将分析场数据和样本数据集作为训练数据集对动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型。
具体的，将上述步骤S100至步骤S200中的分析场数据和样本数据集作为训练数据集，对步骤S300中构建的动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型。
步骤S500、通过训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。
具体的，通过训练好的动力约束资料同化模型的残差网络模块，将训练好的动力约束资料同化模型的输出与输入训练好的动力约束资料同化模型的初始场数据的背景场进行相加，获得分析场结果，残差网络模块的表达式为：
其中，NN表示训练好的动力约束资料同化模型的表达形式，xb表示背景场数据，y表示当前同化时间窗口内的各积分步长时间上的观测数据，cat表示数据通道维度的串接操作。
本实施例通过获取观测数据，基于观测数据获得分析场数据；基于分析场数据获得背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集；本实施例能够通过融合背景场数据和观测数据，对于不同误差的观测都具有稳定的同化吸收效果，使用分析场数据作为训练标签，能够提高训练模型的准确度。本实施例还通过基于动力约束，构建动力约束损失函数，并基于动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；将分析场数据和样本数据集作为训练数据集对动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；通过训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。本实施例采用动力约束损失函数，克服了现有深度资料同化方法对于精确度提升的局限性，并通过基础卷积模块对样本数据集进行特征提取，基于通道注意力的状态特征融合方法，以残差神经网络为基础，对通道特征进行了建模，因此，本实施例具有更准确的同化结果，提高了分析场精确度。
为了更好的说明，本实施例进行了如下的实验分析：
随机初始化初始场数据，使用四阶龙格库塔格式对Lorenz96模式进行积分，对每一积分步进行观测，生成真值场与观测数据。对初始场做扰动，利用经典同化方法对该扰动的预报进行同化再预报的循环过程，从而生成对应的分析场数据与背景场数据。将对应同化窗口的背景场数据、观测数据作为动力约束资料同化模型的输入，将动力约束资料同化模型输出的结果进行预报，与对应时刻分析场计算本实施例中的动力约束损失函数，并对动力约束资料同化模型进行训练，随后对任意初始场的结果进行分析预报循环实验。
为了验证所提出模型性能，与传统业务化模型以及理论最优模型进行对比：
(1)4DVar，使用时间窗口内所有观测，利用变分优化方法优化目标泛函的一种资料同化方法，该方法是目前业务化常用的方法，使用4DVar生成训练数据集对动力约束资料同化模型(以下可用DGDA表示动力约束资料同化模型)进行训练，再与4DVar方法的分析预报循环结果进行对比，实验结果参照表1。
表1
(2)EnKF，使用EnKF生成训练数据集对动力约束资料同化模型进行训练，并与EnKF方法的分析预报循环结果进行对比，实验结果参照表2。
表2
(3)LETKF，作为带局地化的集合同化方法，可消除部分伪相关，采用LETKF生成训练数据对动力约束资料同化模型进行训练，并与LETKF方法的分析预报循环结果进行对比，实验结果参照表3。
表3
(4)iEnKS，作为理论上最优的四维集合变分方法，使用当前时间窗口内所有的观测，使用20个集合成员生成训练数据对动力约束资料同化模型进行训练，与20、30、40、50、…、100个集合成员的iEnKS方法的分析预报循环结果进行对比，实验结果参照表4。
表4
在方法对比实验中，分别与上述四类常用或理论最优方法进行了对比，通过学习少量集合成员的结果即可相比大量集合成员的集合同化方法具有更准确的效果。并且动力约束资料同化模型对观测误差(即，不同仪器的测量结果)敏感性更低，实际业务化中可以更好地吸收各种仪器的观测。动力约束资料同化模型训练中采用Warmup-CosineAnnealingLR学习率调整策略，并为了加快动力约束资料同化模型训练时间，部署了早停法(Early Stopping)，训练过程中采用的优化方法为AdamW。最后，使用RMSE(均方根误差)作为各方法的评估指标，数值无量纲。
通过对四种经典同化方法对比可知，通过学习对应经典同化方法生成的分析场，DGDA可以获得比之更低的分析场EMSE，且预报精度更高。DGDA相对目前理论最优的iEnKS算法，采用相同的观测情况下，获得了12.38％的分析场精度提升与13.81％的预报精度提升，表明本实施例的动力约束资料同化模型具有一定先进性。参照图5至图6，动力约束资料同化模型与iEnKS多集合成员结果的对比，结果表明，DGDA可通过学习少量集合成员的集合同化方法结果，获得比20，30，…,100个集合成员都更准确的分析预报结果，相比iEnKS最优的100个成员结果精度提升了5.86％，且DGDA进行10000个同化分析循环仅需52秒，相比100个成员的iEnKS的2分30秒，速度上提升了66％，体现动力约束资料同化模型能够在提升同化精度的同时显著降低动力约束资料同化模型的计算量。
此外，为了研究动力约束预报步长对模型精度的影响，针对目前最优的iEnKS算法生成的数据，以iEnKS分析预报循环生成的背景场和分析场分别作为网络的输入和输出，在动力约束损失函数中通过添加预报步数探究该影响。实验结果如图7和图8所示，当采用动力约束的损失函数训练模型时，DGDA在取1步至8步即所提出理论需要优化的损失函数中T＝1,2,…,8的情况下，DGDA都能获得比iEnKS更准确的分析预报结果。如表5所示，在取2步预报约束时，DGDA已能获得相对较好的分析预报结果，体现本发明具有一定先进性。考虑到计算量的问题，故后续实验采用T＝2。
表5
同时，为了研究观测误差对同化模型精度的影响，针对目前最优的iEnKS算法生成的数据，以观测误差为1的观测同化生成的数据作为训练集对DGDA进行训练，使用观测误差分别为1，1.5，2，2.5，3的观测对iEnKS与DGDA分别进行分析预报循环对比，结果如图9和图10所示。对观测误差为1的结果如表6所示，观测误差为3的结果如表7所示。
表6
表7
最后，证明改方法可以不做更改直接移植到高维系统，以Lorenz96模式为示范系统，由于集合同化方法中的集合成员数量通常远小于系统维度，因此对于200、400、600、800和1000维系统，iEnKS分别使用80、120、150、180和200个集成成员与所提出的DGDA方法进行了分析预报循环的对比实验，结果如图11、图12和图13所示。所提出的DGDA模型可以通过使用相应集成同化生成的数据集进行训练来显着提高速度和准确性。值得注意的是，在1000维系统中，DGDA模型有20.672±0.441倍的速度提升，分析预测的RMSE分别降低了86.788％±0.831％和87.874％±0.722％。
参照图14，本发明实施例还提供了一种基于深度学习和动力约束的资料同化系统，该系统包括：
数据获取单元100，用于获取观测数据，基于观测数据获得分析场数据；
样本数据集获取单元200，用于基于分析场数据获得背景场数据，将观测数据和背景场数据联合拼接，获得样本数据集；
模型构建单元300，用于基于动力约束，构建动力约束损失函数，并基于动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；
模型训练单元400，用于将分析场数据和样本数据集作为训练数据集对动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；
分析场结果获取单元500，用于通过训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。
需要说明的是，由于本实施例中的一种基于深度学习和动力约束的资料同化系统与上述的一种基于深度学习和动力约束的资料同化方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。
本发明实施例还提供了一种基于深度学习和动力约束的资料同化设备，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的一种基于深度学习和动力约束的资料同化方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的一种基于深度学习和动力约束的资料同化方法，例如，执行以上描述的图1中的方法步骤S100至步骤S500。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种基于深度学习和动力约束的资料同化方法，例如，执行以上描述的图1中的方法步骤S100至步骤S500的功能。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种基于深度学习和动力约束的资料同化方法，其特征在于，所述方法包括：
获取观测数据，基于所述观测数据获得分析场数据；
基于所述分析场数据获得背景场数据，将所述观测数据和所述背景场数据联合拼接，获得样本数据集；
基于动力约束，构建动力约束损失函数，并基于所述动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；
将所述分析场数据和所述样本数据集作为训练数据集对所述动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；
通过所述训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。
2.根据权利要求1所述的基于深度学习和动力约束的资料同化方法，其特征在于，所述获取观测数据，基于所述观测数据获得分析场数据，包括：
对所述观测数据进行同化，获得分析数据场。
3.根据权利要求1所述的基于深度学习和动力约束的资料同化方法，其特征在于，所述动力约束损失函数的表达式包括：
其中，n表示同化时刻后用于动力约束的分析场所在同化窗口的个数，
表示动力模式预报，下标i表示预报同化窗口的个数，Δ表示同化时间窗口长度，ωi表示对应损失值的权重。
4.根据权利要求1所述的基于深度学习和动力约束的资料同化方法，其特征在于，所述基础卷积模块包括1*1卷积和ReLU激活函数，所述通过所述基础卷积模块进行特征提取，包括：
通过两组1*1卷积和ReLU激活函数对所述样本数据集进行特征提取，获得特征数据集；
将所述特征数据集和所述样本数据集进行拼接串联，获得串联数据集；
通过一组1*1卷积和ReLU激活函数对所述串联数据集进行特征提取，获得联合特征数据集。
5.根据权利要求4所述的基于深度学习和动力约束的资料同化方法，其特征在于，所述通道注意力模块的表达式包括：
xse＝sigmoid(W2(W1(adaptive_avg(xfusion))+b1)+b2)*xfusion
其中，xse表示通道注意力加权特征，W1(x)+b1表示编码器的结构形式，W2(x)+b2表示解码器的结构形式，sigmoid表示sigmoid函数，所述sigmoid函数用于得到各通道的重要性分数。
6.根据权利要求5所述的基于深度学习和动力约束的资料同化方法，其特征在于，所述动力约束资料同化模型通过如下方式进行特征聚合：
xfusion＝max(0，(ωinxin+ωoutxout))
其中，xfusion表示特征聚合，所述特征聚合为一个非线性数据加权，xin表示所述样本数据集的张量，ωin表示所述样本数据集的张量对应的聚合权重，xout表示所述特征数据集的张量，ωout表示所述特征数据集的张量对应的聚合权重。
7.根据权利要求6所述的基于深度学习和动力约束的资料同化方法，其特征在于，所述通过所述训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果，包括：
通过所述训练好的动力约束资料同化模型的残差网络模块，将所述训练好的动力约束资料同化模型的输出与输入所述训练好的动力约束资料同化模型的初始场数据的背景场进行相加，获得分析场结果，所述残差网络模块的表达式为：
其中，NN表示所述训练好的动力约束资料同化模型的表达形式，xb表示背景场数据，y表示当前同化时间窗口内的各积分步长时间上的观测数据，cat表示数据通道维度的串接操作。
8.一种基于深度学习和动力约束的资料同化系统，其特征在于，所述系统包括：
数据获取单元，用于获取观测数据，基于所述观测数据获得分析场数据；
样本数据集获取单元，用于基于所述分析场数据获得背景场数据，将所述观测数据和所述背景场数据联合拼接，获得样本数据集；
模型构建单元，用于基于动力约束，构建动力约束损失函数，并基于所述动力约束损失函数、残差神经网络模块、基础卷积模块和通道注意力模块，构建动力约束资料同化模型；
模型训练单元，用于将所述分析场数据和所述样本数据集作为训练数据集对所述动力约束资料同化模型进行训练，获得训练好的动力约束资料同化模型；
分析场结果获取单元，用于通过所述训练好的动力约束资料同化模型对初始场数据进行预测，获得分析场结果。
9.一种基于深度学习和动力约束的资料同化设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种基于深度学习和动力约束的资料同化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种基于深度学习和动力约束的资料同化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211190215.5A CN115630566B (zh) | 2022-09-28 | 2022-09-28 | 一种基于深度学习和动力约束的资料同化方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211190215.5A CN115630566B (zh) | 2022-09-28 | 2022-09-28 | 一种基于深度学习和动力约束的资料同化方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115630566A true CN115630566A (zh) | 2023-01-20 |
| CN115630566B CN115630566B (zh) | 2024-05-07 |
Family
ID=84905360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211190215.5A Active CN115630566B (zh) | 2022-09-28 | 2022-09-28 | 一种基于深度学习和动力约束的资料同化方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115630566B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116384127A (zh) * | 2023-04-10 | 2023-07-04 | 中国科学院青藏高原研究所 | 用于气象生态环境的数值模拟预报方法及装置 |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100191688A1 (en) * | 2009-01-29 | 2010-07-29 | Oracle International Corporation | Dynamic constraint solver with resource sum constraints |
| CA2827252A1 (en) * | 2011-02-17 | 2012-08-23 | Chevron U.S.A. Inc. | System and method for modeling a subterranean reservoir |
| CN106339568A (zh) * | 2015-07-08 | 2017-01-18 | 中国电力科学研究院 | 一种基于混合背景场的数值天气预报方法 |
| WO2018173569A1 (en) * | 2017-03-24 | 2018-09-27 | Mitsubishi Electric Corporation | Model predictive control system and method for controlling operation of machine |
| CN109657314A (zh) * | 2018-12-09 | 2019-04-19 | 中国人民解放军国防科技大学 | 基于资料循环同化和模式循环积分的台风涡旋初始化方法 |
| WO2020191391A2 (en) * | 2019-03-21 | 2020-09-24 | Illumina, Inc. | Artificial intelligence-based sequencing |
| US20200302297A1 (en) * | 2019-03-21 | 2020-09-24 | Illumina, Inc. | Artificial Intelligence-Based Base Calling |
| CN111783361A (zh) * | 2020-07-07 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于三重多层感知机的数值天气预报混合资料同化方法 |
| CN112464567A (zh) * | 2020-12-08 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于变分同化框架的智能资料同化方法 |
| KR20210044092A (ko) * | 2019-10-14 | 2021-04-22 | 울산대학교 산학협력단 | 실시간 앙상블 유량 예보 방법 및 장치 |
| WO2021093866A1 (zh) * | 2019-11-14 | 2021-05-20 | 浙江大学 | 一种基于交替方向乘子法的深度学习信道译码方法 |
| CN114359955A (zh) * | 2021-12-06 | 2022-04-15 | 重庆邮电大学 | 一种基于表观特征和空间约束的客体视域估计方法 |
| CN114819107A (zh) * | 2022-06-02 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于深度学习的混合数据同化方法 |
| KR20220117396A (ko) * | 2021-02-16 | 2022-08-24 | 연세대학교 산학협력단 | 동아시아 지역 기상 재분석 데이터 산출을 위한 자료 동화 장치 |
| CN114997490A (zh) * | 2022-05-30 | 2022-09-02 | 北京环境特性研究所 | 温度廓线预测模型的构建方法、预测方法、装置及设备 |
| 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 |
| WO2022194045A1 (zh) * | 2021-03-15 | 2022-09-22 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
-
2022
- 2022-09-28 CN CN202211190215.5A patent/CN115630566B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100191688A1 (en) * | 2009-01-29 | 2010-07-29 | Oracle International Corporation | Dynamic constraint solver with resource sum constraints |
| CA2827252A1 (en) * | 2011-02-17 | 2012-08-23 | Chevron U.S.A. Inc. | System and method for modeling a subterranean reservoir |
| CN106339568A (zh) * | 2015-07-08 | 2017-01-18 | 中国电力科学研究院 | 一种基于混合背景场的数值天气预报方法 |
| WO2018173569A1 (en) * | 2017-03-24 | 2018-09-27 | Mitsubishi Electric Corporation | Model predictive control system and method for controlling operation of machine |
| CN109657314A (zh) * | 2018-12-09 | 2019-04-19 | 中国人民解放军国防科技大学 | 基于资料循环同化和模式循环积分的台风涡旋初始化方法 |
| WO2020191391A2 (en) * | 2019-03-21 | 2020-09-24 | Illumina, Inc. | Artificial intelligence-based sequencing |
| US20200302297A1 (en) * | 2019-03-21 | 2020-09-24 | Illumina, Inc. | Artificial Intelligence-Based Base Calling |
| KR20210044092A (ko) * | 2019-10-14 | 2021-04-22 | 울산대학교 산학협력단 | 실시간 앙상블 유량 예보 방법 및 장치 |
| WO2021093866A1 (zh) * | 2019-11-14 | 2021-05-20 | 浙江大学 | 一种基于交替方向乘子法的深度学习信道译码方法 |
| CN111783361A (zh) * | 2020-07-07 | 2020-10-16 | 中国人民解放军国防科技大学 | 基于三重多层感知机的数值天气预报混合资料同化方法 |
| CN112464567A (zh) * | 2020-12-08 | 2021-03-09 | 中国人民解放军国防科技大学 | 基于变分同化框架的智能资料同化方法 |
| KR20220117396A (ko) * | 2021-02-16 | 2022-08-24 | 연세대학교 산학협력단 | 동아시아 지역 기상 재분석 데이터 산출을 위한 자료 동화 장치 |
| WO2022194045A1 (zh) * | 2021-03-15 | 2022-09-22 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
| CN114359955A (zh) * | 2021-12-06 | 2022-04-15 | 重庆邮电大学 | 一种基于表观特征和空间约束的客体视域估计方法 |
| 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 |
| CN114997490A (zh) * | 2022-05-30 | 2022-09-02 | 北京环境特性研究所 | 温度廓线预测模型的构建方法、预测方法、装置及设备 |
| CN114819107A (zh) * | 2022-06-02 | 2022-07-29 | 中国人民解放军国防科技大学 | 基于深度学习的混合数据同化方法 |
Non-Patent Citations (4)
| Title |
|---|
| LILAN HUANG等: "A hybrid 3DVAR -EnKF Data Assimilation Approach Based on Multilayer Perceptron", IEEE, 31 December 2020 (2020-12-31) * |
| 任开军 等: "自适应人工蜂群优化的混沌系统参数估计", 国防科技大学学报, 31 December 2015 (2015-12-31) * |
| 吴伟飞: "数值天气预报初始化软件系统的优化设计研究", 中国优秀硕士论文库 基础科学辑, 15 June 2018 (2018-06-15) * |
| 邵爱梅;邱晓滨;邱崇践;: "使用混合样本的集合四维变分同化试验研究", 高原气象, no. 03, 15 June 2011 (2011-06-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116384127A (zh) * | 2023-04-10 | 2023-07-04 | 中国科学院青藏高原研究所 | 用于气象生态环境的数值模拟预报方法及装置 |
| CN116384127B (zh) * | 2023-04-10 | 2024-01-02 | 中国科学院青藏高原研究所 | 用于气象生态环境的数值模拟预报方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115630566B (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
| CN110674323B (zh) | 基于虚拟标签回归的无监督跨模态哈希检索方法及系统 | |
| CN111127364B (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
| CN111707270B (zh) | 一种基于分布估计和强化学习的无地图避障导航方法 | |
| CN113657028B (zh) | 一种基于多源信息的气溶胶光学厚度在线预测方法 | |
| CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
| CN113537365B (zh) | 一种基于信息熵动态赋权的多任务学习自适应平衡方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN110796233A (zh) | 基于迁移学习的深度残差卷积神经网络的自适应压缩方法 | |
| CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| Mesquita et al. | Embarrassingly parallel MCMC using deep invertible transformations | |
| CN115630566A (zh) | 一种基于深度学习和动力约束的资料同化方法和系统 | |
| CN115358305A (zh) | 一种基于边界样本迭代生成的增量学习鲁棒性提升方法 | |
| Huang et al. | A data-driven method for hybrid data assimilation with multilayer perceptron | |
| CN113723572B (zh) | 船只目标识别方法、计算机系统及程序产品、存储介质 | |
| CN117077671B (zh) | 一种交互数据生成方法及系统 | |
| CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
| CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
| CN114662656A (zh) | 一种深度神经网络模型训练方法、自主导航方法及系统 | |
| KR20190129422A (ko) | 뉴럴 네트워크를 이용한 변분 추론 방법 및 장치 | |
| CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
| CN114911157A (zh) | 基于部分可观测强化学习的机器人导航控制方法及系统 | |
| CN114282440B (zh) | 一种抽水蓄能机组调节系统鲁棒辨识方法 | |
| CN114970819B (zh) | 一种基于意图推理与深度强化学习的移动目标搜索跟踪方法及系统 |
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 |