基于隐式神经表示的未知动力学潜变量同化方法
机器学习
2024-03-26 v2 数学物理
math.MP
最优化与控制
大气与海洋物理
摘要
数据同化在广泛应用领域中至关重要，但常面临诸如数据维度导致的高计算成本以及对底层机制理解不完整等挑战。为应对这些挑战，本研究提出一种称为基于隐式神经表示的潜变量同化（LAINR）的新型同化框架。通过引入球面隐式神经表示（SINR）及训练后神经网络的数据驱动不确定性估计器，LAINR提升了同化过程的效率。实验结果表明，LAINR在精度和效率上相比基于自编码器（AutoEncoder）的现有方法具有一定优势。
引用
@article{arxiv.2309.09574,
title = {Latent assimilation with implicit neural representations for unknown dynamics},
author = {Zhuoyuan Li and Bin Dong and Pingwen Zhang},
journal= {arXiv preprint arXiv:2309.09574},
year = {2024}
}
备注
40 pages