ترجمه فارسی مقاله بهینه سازی ترکیبی پویایی و جذب با یادگیری پایان به پایان در مشاهدات پراکنده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Combined Optimization of Dynamics and Assimilation with End-to-End Learning on Sparse Observations
عنوان مقاله به فارسی بهینه سازی ترکیبی پویایی و جذب با یادگیری پایان به پایان در مشاهدات پراکنده
نویسندگان Vadim Zinchenko, David S. Greenberg
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Atmospheric and Oceanic Physics,یادگیری ماشین , فیزیک جوی و اقیانوسی ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: Submitted to Journal of Advances in Modeling Earth Systems (JAMES)
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: ارسال شده به مجله پیشرفت در مدل سازی سیستم های زمین (جیمز)
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Fitting nonlinear dynamical models to sparse and noisy observations is fundamentally challenging. Identifying dynamics requires data assimilation (DA) to estimate system states, but DA requires an accurate dynamical model. To break this deadlock we present CODA, an end-to-end optimization scheme for jointly learning dynamics and DA directly from sparse and noisy observations. A neural network is trained to carry out data accurate, efficient and parallel-in-time DA, while free parameters of the dynamical system are simultaneously optimized. We carry out end-to-end learning directly on observation data, introducing a novel learning objective that combines unrolled auto-regressive dynamics with the data- and self-consistency terms of weak-constraint 4Dvar DA. By taking into account interactions between new and existing simulation components over multiple time steps, CODA can recover initial conditions, fit unknown dynamical parameters and learn neural network-based PDE terms to match both available observations and self-consistency constraints. In addition to facilitating end-to-end learning of dynamics and providing fast, amortized, non-sequential DA, CODA provides greater robustness to model misspecification than classical DA approaches.

چکیده به فارسی (ترجمه ماشینی)

متناسب با مدلهای دینامیکی غیرخطی با مشاهدات پراکنده و پر سر و صدا اساساً چالش برانگیز است.شناسایی دینامیک برای برآورد حالت های سیستم نیاز به جذب داده (DA) دارد ، اما DA به یک مدل دینامیکی دقیق نیاز دارد.برای شکستن این بن بست ، ما CODA را ارائه می دهیم ، یک طرح بهینه سازی پایان به پایان برای یادگیری مشترک پویایی و DA مستقیماً از مشاهدات پراکنده و پر سر و صدا.یک شبکه عصبی برای انجام داده های دقیق ، کارآمد و موازی در زمان DA آموزش دیده است ، در حالی که پارامترهای رایگان سیستم دینامیکی به طور همزمان بهینه می شوند.ما یادگیری نهایی به پایان را به طور مستقیم بر روی داده های مشاهده انجام می دهیم ، یک هدف یادگیری جدید را معرفی می کنیم که پویایی خودکار غیرقانونی را با اصطلاحات داده و خودآمدی از ضعف 4DVAR DA ترکیب می کند.با در نظر گرفتن تعامل بین مؤلفه های شبیه سازی جدید و موجود در مراحل مختلف ، CODA می تواند شرایط اولیه را بازیابی کند ، متناسب با پارامترهای دینامیکی ناشناخته و یادگیری شرایط PDE مبتنی بر شبکه عصبی برای مطابقت با مشاهدات موجود و محدودیت های خود سازگاری باشد.CODA علاوه بر تسهیل یادگیری پایان به پایان از پویایی و ارائه سریع ، استهلاک ، غیر پی در پی ، CODA استحکام بیشتری را برای مدل سازی اشتباه نسبت به رویکردهای DA کلاسیک فراهم می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.