结合机器学习与格林函数反演方法识别平流-扩散系统中的释放源
机器学习
2018-03-28 v3 机器学习
摘要
平流-扩散输运源的识别通常基于对可用状态变量数据记录求解复杂的病态反演模型。然而，如果存在多个位置和强度不同的源，数据记录代表的是混合信号，而非原始源的单独影响。重要的是，这些原始释放源的数量通常是未知的，这阻碍了经典反演模型分析的可靠性。为应对这一挑战，我们在此提出一种用于识别未知释放源数量的新型混合方法。我们的混合方法称为HNMF，它耦合了基于非负矩阵分解（NMF）的无监督学习和反演分析格林函数方法。HNMF协同执行记录混合信号的分解，找出未知源的数量，并利用平流-扩散方程的格林函数来识别它们的特征。在本文中，我们介绍了该方法，并证明它能够仅基于记录数据，识别介质的平流速度和弥散度，以及具有不同时空依赖性的各组合成释放源的未知数量、位置和属性。HNMF可直接应用于任何由抛物型偏微分方程控制的问题，其中在多个位置测量了未知数量源的混合信号。
引用
@article{arxiv.1612.03948,
title = {Identification of release sources in advection-diffusion system by machine learning combined with Green function inverse method},
author = {Valentin G. Stanev and Filip L. Iliev and Scott Hansen and Velimir V. Vesselinov and Boian S. Alexandrov},
journal= {arXiv preprint arXiv:1612.03948},
year = {2018}
}