اکسپرس 24
ترجمه فارسی مقاله وار چهاربعدی با استفاده از تقریب هسین و پس‌انتشار اعمال‌شده بر مدل‌های عددی و یادگیری ماشینی با مشتق‌گیری خودکار

ترجمه فارسی مقاله وار چهاربعدی با استفاده از تقریب هسین و پس‌انتشار اعمال‌شده بر مدل‌های عددی و یادگیری ماشینی با مشتق‌گیری خودکار

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 4D-Var using Hessian approximation and backpropagation applied to automatically-differentiable numerical and machine learning models
عنوان مقاله به فارسی وار چهاربعدی با استفاده از تقریب هسین و پس‌انتشار اعمال‌شده بر مدل‌های عددی و یادگیری ماشینی با مشتق‌گیری خودکار
نویسندگان Kylen Solvik, Stephen G. Penny, Stephan Hoyer
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
دسته بندی موضوعات Machine Learning,Dynamical Systems,Geophysics,یادگیری ماشین , سیستم های دینامیکی , ژئوفیزیک ,
توضیحات Submitted 5 August, 2024; originally announced August 2024. , Comments: 24 pages, 7 figures , ACM Class: J.2; I.6.5; G.1.6
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 24 صفحه ، 7 شکل ، کلاس ACM: J.2 ؛i.6.5 ؛G.1.6

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 960,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Constraining a numerical weather prediction (NWP) model with observations via 4D variational (4D-Var) data assimilation is often difficult to implement in practice due to the need to develop and maintain a software-based tangent linear model and adjoint model. One of the most common 4D-Var algorithms uses an incremental update procedure, which has been shown to be an approximation of the Gauss-Newton method. Here we demonstrate that when using a forecast model that supports automatic differentiation, an efficient and in some cases more accurate alternative approximation of the Gauss-Newton method can be applied by combining backpropagation of errors with Hessian approximation. This approach can be used with either a conventional numerical model implemented within a software framework that supports automatic differentiation, or a machine learning (ML) based surrogate model. We test the new approach on a variety of Lorenz-96 and quasi-geostrophic models. The results indicate potential for a deeper integration of modeling, data assimilation, and new technologies in a next-generation of operational forecast systems that leverage weather models designed to support automatic differentiation.

چکیده به فارسی (ترجمه ماشینی)

محدود کردن یک مدل پیش بینی آب و هوا عددی (NWP) با مشاهدات از طریق جذب داده های تغییر یافته 4D (4D-VAR) اغلب به دلیل نیاز به توسعه و حفظ یک مدل خطی مماس مبتنی بر نرم افزار و مدل مورد نظر ، اجرای آن در عمل بسیار دشوار است.یکی از رایج ترین الگوریتم های 4D-VAR از یک روش به روزرسانی افزایشی استفاده می کند ، که نشان داده شده است که تقریب روش گاوس-نیوتن است.در اینجا ما نشان می دهیم که هنگام استفاده از یک مدل پیش بینی که از تمایز اتوماتیک پشتیبانی می کند ، یک تقریب جایگزین دقیق تر و در بعضی موارد می توان با ترکیب پشتیبان گیری خطاها با تقریب هسیایی ، تقریب جایگزین دقیق تر از روش گاوس-نیوتن استفاده کرد.این روش می تواند با یک مدل عددی معمولی که در یک چارچوب نرم افزاری اجرا شده است که از تمایز خودکار پشتیبانی می کند ، یا یک مدل جانشین مبتنی بر یادگیری ماشین (ML) استفاده شود.ما رویکرد جدید را در انواع مدل های Lorenz-96 و شبه ژئوستروفیک آزمایش می کنیم.نتایج حاکی از پتانسیل ادغام عمیق تر مدل سازی ، جذب داده ها و فن آوری های جدید در نسل بعدی سیستم های پیش بینی عملیاتی است که از مدل های آب و هوایی که برای پشتیبانی از تمایز خودکار طراحی شده اند ، استفاده می کنند.

📚 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.