State-dependent preconditioning for the inner-loop in Variational Data Assimilation using Machine Learning
针对变分资料同化内循环中大型病态矩阵求逆收敛慢、预条件依赖稀疏或谱信息的问题,提出用深度神经网络结合奇异值分解性质学习状态依赖预条件子,并支持在线构造数据集。
2025-01-08 math.OC
Variational data assimilation for transient blood flow simulations
一些心血管疾病是由局部异常血流引起的,例如狭窄或动脉瘤。主流理论认为,这种发展是由异常壁面剪应力引起的集中区。计算流体力学已经成为一个有前途的工具,更精确和定量的分析,特别是因为解剖往往是现成的,甚至通过标准的成像技术,如磁分辨率和计算机断层扫描血管造影。然而,计算流体力学依赖于精确的边界条件,这是很难获得的。在本文中,我们解决的问题,恢复高分辨率的信息,从嘈杂的,低分辨率的测量血流变分数据同化(也称为4DVAR)。我们表明,即使在存在显着的噪声和一系列的正则化参数跨越数量级的正确的正则化,获得准确的流重建。数值实验进行了二维和三维和脉动流相关的生理流在脑动脉瘤。
2016-07-07 math.OC
Data Assimilation for hyperbolic conservation laws. A Luenberger observer approach based on a kinetic description
发展稳健的双曲守恒律资料同化方法是一个具有挑战性的课题。这些偏微分方程确实没有显示出耗散效应,在模型方程中输入额外的信息可能会引入传播和产生冲击的误差。我们提出了一种新的方法的基础上的动力学描述的守恒律。动力学方程是一阶偏微分方程,其中平流速度是自由变元。在某些情况下,可以证明非线性守恒律等价于线性动力学方程。因此,数据同化是在动力学水平上进行的,使用Luenberger观测器,也称为数据同化中的轻推策略。同化然后恢复到BGK型方程的处理。这种框架的优点是,我们处理的是一个单一的“线性”方程,而不是一个非线性系统,它是容易恢复的宏观变量。研究分为几个步骤,基本上是基于泛函分析技术。首先,我们证明了在空间和时间上完全观测的情况下,模型对数据的收敛性。其次,我们分析了部分和噪声观测的情况。最后,我们用Burgers方程的数值结果验证了我们的方法,并强调了这种方法在更复杂的Saint-Venant系统中的优势。
2014-11-11 math.OC
A bilevel learning approach for optimal observation placement in variational data assimilation
在本文中,我们提出了一个双层优化方法的空间和时间观测的位置变分资料同化问题。在监督学习的框架内,我们考虑了一个双层问题,其中下层任务是半线性系统初始条件的变分重构,上层问题借助于稀疏诱导函数求解最优布局。由于观测值的逐点性质,得到了具有正则Borel测度的最优性系统作为下层问题的必要最优性条件。后者被认为是对上层实例的约束,产生一个多状态系统的措施约束下的最优化问题。我们证明了拉格朗日乘子的存在性,并推导出一个必要的最优性系统的特点的最优解的双层问题。数值解也在两个层次上进行。下层问题使用标准的BFGS方法解决,而上层问题通过基于$ε$ -活动集估计的投影BFGS算法解决。最后给出了一些数值实验来说明我们的方法的主要特点。
2019-10-08 math.OC
Sparsity-Based Kalman Filters for Data Assimilation
卡尔曼滤波算法的几种变体,例如扩展卡尔曼滤波器(EKF)和无迹卡尔曼滤波器(UKF),广泛用于科学和工程应用中。本文介绍了两种基于稀疏性的卡尔曼滤波算法,即稀疏UKF和渐进EKF。这些滤波器是专门为高维问题设计的。不同于以往的集合卡尔曼滤波器(EnKF)是用一组稠密的集合向量来近似误差协方差,本文提出的算法是基于误差协方差的稀疏矩阵近似。新的算法有几个优点。误差协方差具有满秩,而不受一组集合的限制。除了估计的状态,算法提供更新的误差协方差下一个同化周期。误差协方差的稀疏性显著地减少了数值计算所需的存储器大小。此外,可以调整稀疏误差协方差的粒度以优化算法的并行化。
2018-10-09 math.OC
A Tutorial on Bayesian Data Assimilation
本教程提供了一个广泛的介绍贝叶斯数据同化,这将是有用的从业者,在解释算法和结果,并为理论研究开发新的方案与地球物理数据同化的丰富历史的理解和目前的方向。简单的情况下,数据同化在一个“完美”的模式,主要是讨论教学目的。一些数学结果是在高层次上得出的,以说明不同的估计的关键思想。然而,这项工作的重点是这些方法背后的直觉,在那里可以找到更正式和详细的处理数据同化问题的各种参考。在调查各种广泛使用的数据同化方案中,本教程的关键信息是贝叶斯分析如何为估计问题提供一致的框架,以及如何以各种方式制定解决方案,以利用地球科学中的业务挑战。
2022-03-24 math.OC stat.ME
Variational Data Assimilation for Optimizing Boundary Conditions in Ocean Models
综述了古里·伊万诺维奇·马尔丘克在海洋模式变分资料同化领域的思想发展,特别是在长期天气预报的耦合模式中的应用。特别注意的是刚性边界上的边界条件的优化。作为理想化和现实的模型配置被认为是。结果表明,优化使我们能够确定最敏感的模型算子,使模型的解决方案更接近同化数据。
2016-01-06 math.OC physics.ao-ph
Reduced-order 4D-Var: a preconditioner for the Incremental 4D-Var data assimilation method
本研究展示了如何增量四维变分同化方法可以有效地应用于海洋学问题的应用程序中的预处理。该方法包括在全空间中的增量4D-Var之前执行降阶4D-Var的几次迭代,以实现更快的收敛。在热带太平洋同化TAO温度资料的应用表明,该方法是可行和有效的。它允许同化的全局成本降低2倍,而不影响解决方案的质量。
2007-09-18 math.AP math.OC physics.geo-ph
1D+4D-VAR data assimilation of lightning with WRFDA system using nonlinear observation operators
本文讨论了在两种情况下的恶劣天气同化数据从地球网络总闪电网络(ENTLN)的影响。来自ENTLN的数据可以替代即将推出的GOES Lightning Mapper(GLM)。我们使用天气研究和预报(WRF)模式和变分同化技术在9公里的空间分辨率。主要目标是研究未来GLM观测闪电的潜在影响。以前的努力同化闪电观测主要利用轻推的方法。我们开发了三种更复杂的方法,3D-VAR WRFDA和1D+nD-VAR(n= 3,4)WRFDA计划,目前正在考虑由国家环境预测中心(NCEP)和海军研究实验室(NRL)的业务实施。本研究使用对流可用位能(CAPE)作为闪电数据和模型变量之间的代理。为了测试上述方案的性能,我们评估的结果分析和预测的降水相比,从控制实验和验证他们对NCEP第IV阶段降水的质量。结果表明,同化闪电观测改善降水统计同化窗口期间和3-7小时后。1D+4D-VAR方法表现最好,在两种情况下,在同化窗口期间,与对照相比,降水均方根误差显著改善了25%和27.5%。这一发现证实了变分nD-VAR(n= 3,4)同化的闪电观测,提高了湿度分析和预报的准确性。最后,我们简要讨论了固有的局限性,在目前的闪电同化计划,其影响,以及可能的方法来改善它们。
2013-06-08 math.OC physics.ao-ph
Identification of an Optimal Derivatives Approximation by Variational Data Assimilation
在一维波动方程的框架下,讨论了变分同化技术在识别边界附近导数最佳逼近中的应用。方程和数值格式的简单性使我们能够详细讨论伴随模式和同化结果的发展。它示出了什么样的错误可以通过这种控制和如何纠正这些错误。这项研究是在使用这种控制,以确定最佳的数值方案在沿海地区的海洋模式。
2009-05-28 math-ph math.MP math.OC
LEVDA: Latent Ensemble Variational Data Assimilation via Differentiable Dynamics
LEVDA通过可微神经动力学替代模型在低维潜在空间中实现高效数据同化,无需伴随代码或辅助编码器,提升同化精度与效率。
2026-02-23 cs.LG math.OC
(Non)uniqueness of critical points in variational data assimilation
本文将四维变分同化方案应用于一类拟线性发展方程的初始化问题。由此产生的变分问题是非凸的,所以它不需要有一个唯一的极小。讨论了非唯一性在数值应用中的意义,并证明了在下列情况下的唯一性结果:1)观测时间充分小; 2)先验协方差充分小。我们还给出了一个例子的数据集的成本功能有一个任意大的莫尔斯指数的临界点。
2013-10-02 math.OC math.ST stat.TH
Shadowing-based data assimilation method for partially observed models
在这篇文章中,我们进一步开发了一种基于阴影细化技术的数据同化算法[de Leeuw等人,SIAM J. Appl. Dyn.系统,[2018 - 10 - 17]注意观察。我们的方法是基于正则化高斯-牛顿法。我们证明了解流形的局部收敛,并提供了算法时间步长的下界。我们使用数值实验与Lorenz 63和Lorenz 96模式来说明收敛的算法,并表明,结果与变分技术(弱约束四维变分方法)和阴影技术(伪轨道数据同化)相比毫不逊色。数值实验表明,基于费用函数选择的预条件子允许算法在真解附近找到动力系统的轨道。
2020-11-11 math.DS math.OC
Large-time uniqueness in a data assimilation problem for Burgers' equation
4D-Var数据同化方案是目前研究的热点,它利用观测数据通过最小化所有可能的初态的费用函数来寻找微分方程的最优初始条件。对于非线性模型,这个费用函数可以是非凸的,因此最小值的唯一性不能保证。在本文中,我们应用4D-Var的Burgers方程,并证明,一旦有足够的数据量已经收集,可以有最多一个物理上合理的极小值的变分问题。
2012-07-19 math.OC math.ST stat.TH
Existence and Uniqueness For Variational Data Assimilation in Continuous Time
一个变种的最优控制问题被认为是非标准的性能指标包含“随机”积分,即积分对非常不规则的功能。考虑这种性能指标的动机来自动态估计问题,其中观察到的时间序列需要与动态模型的轨迹“拟合”。观测值可能被白噪声污染,从而产生非标准的性能指标。这类问题出现在工程学、物理学和地球科学中,这被称为数据同化。路径存在的最小值,以及最大值原理,以及在动态规划的初步结果。所得结果推广了以往关于扩散过程轨迹的最大后验估计的结果。为了获得这些结果,经典的概念,从最优控制需要大大修改,由于非标准性质的性能指标,以及在地球科学中的典型模型不满足线性增长,也不单调性条件的事实。
2018-05-23 math.OC math.PR
A note on preconditioning weighted linear least squares, with consequences for weakly-constrained variational data assimilation
Université de Toulouse, INP, IRIT(图卢兹大学,国立理工学院,IRIT);CERFACS(欧洲中尺度气象应用研究中心);NAXYS, University of Namur(纳穆尔大学 NAXYS 实验室)
本文分析了使用模型矩阵近似进行线性加权最小二乘预条件化的影响,探讨了模型和加权矩阵的特征结构之间的相互作用,并通过一个小例子说明此类预条件器可能的低效性,最后讨论了这些结果在弱约束4D-Var数据同化问题中的影响。
2017-09-26 cs.NA math.NA math.OC
Ensemble-based kernel learning for a class of data assimilation problems with imperfect forward simulators
模拟器的不完善性,通常被称为模式误差,是普遍存在的实际数据同化问题。尽管为解决这个问题付出了巨大的努力,但正确处理数据同化中的模拟器缺陷仍然是一项具有挑战性的任务。在这项工作中,我们提出了一种方法来处理模拟器的不完美性,从功能近似的角度来看,可以通过一定的机器学习方法,如基于内核的学习,在目前的工作中采用。为此,我们从考虑一类监督学习问题开始,然后确定监督学习和变分数据同化之间的相似之处。这些相似之处为我们开发基于集合的学习框架来解决监督学习问题奠定了基础,同时实现了基于集合的方法相对于变分方法的各种优势。在建立了基于集合的学习框架之后,我们继续研究基于集合的学习集成到基于集合的数据同化框架中以处理模拟器不完善。在我们的调查过程中,我们还开发了一个策略来解决监督学习问题中的多模态问题,并将此策略转移到数据同化问题,以帮助提高同化性能。为了演示,我们应用基于集成的学习框架和集成的,基于集成的数据同化框架的监督学习问题和数据同化问题与不完善的前向模拟器,分别。实验结果表明,这两个框架在相关的案例研究中取得了良好的性能,通过机器学习的功能近似可以作为一种可行的方式来解释模拟器不完善的数据同化问题。
2019-01-30 math.OC physics.data-an physics.geo-ph
On the use of the saddle formulation in weakly-constrained 4D-VAR data assimilation
Université de Toulouse, INP, IRIT(图卢兹大学,国立理工学院,IRIT);CERFACS(欧洲中尺度天气预报中心);NAXYS, University of Namur(南纳姆大学,NAXYS)
本文讨论了在数据同化中弱约束4D-VAR方法中使用鞍点变分公式在实际中的应用。研究表明,原始形式的方法由于生成的目标函数值缺乏单调性,可能导致结果异常或发散。随后提出了收敛且变分一致的算法变体,并将其性能与其他公式进行比较。该比较在两个数据同化实例(Burgers方程和准地转模型)中进行,使用了两种不同的并行计算环境假设。由于这些变体本质上保留了原始提案的并行化优势,因此它们通常但不总是表现最好,即使在中等数量的计算过程中。
2017-09-19 cs.NA math.NA math.OC
Adjoint-Matching Neural Network Surrogates for Fast 4D-Var Data Assimilation
Virginia Tech(弗吉尼亚理工大学);Oden Institute for Computational Engineering and Sciences, University of Texas at Austin(德克萨斯大学奥斯汀分校奥登计算工程与科学研究所)
数据同化是将来自不完美的计算机模拟的信息与真实的噪声、稀疏测量融合,以获得感兴趣的动力系统的状态或参数的改进估计的过程。在许多地球科学应用中使用的数据同化程序,如数值天气预报,是四维变分(4D-Var)算法的变体。解决基础4D-Var优化问题的成本主要由重复的前向和伴随模型运行的成本决定。这促使用快速、近似的代理模型代替物理模型及其伴随模型的评估。神经网络为数据驱动的代理模型的创建提供了一种很有前途的方法。代理4D-Var解决方案的精度取决于每个代理捕获前向和伴随模型动态的精度。我们制定和分析了几种方法,将伴随信息到神经网络代理的建设。由此产生的网络进行测试看不见的数据,并在一个连续的数据同化问题,使用洛伦茨-63系统。使用伴随信息构建的代理表现出优越的性能的4D-Var数据同化问题相比,一个标准的神经网络代理,只使用前向动力学信息。
2022-12-20 cs.CE cs.LG cs.NA
Second order adjoint sensitivity analysis in variational data assimilation for tsunami models
我们从数学上推导出海啸建模的数据同化结果的灵敏度,在观测运营商的扰动。我们考虑一维浅水方程变分数据同化方案的结果,用于(i)初始条件重建,以及(ii)Kevlahan等人提出的测深检测。(2019,2020)。我们使用变分方法推导出一个费用函数J的Hessian,它表示预测解和观测值之间的误差。使用Shutyaev等人(2017,2018)概述的这种Hessian表示和方法,我们分别在数学上推导出任意响应函数对情况(i)和(ii)的观测扰动的灵敏度。这种分析可能证实了早期工作的结果,收敛的充分条件,以及传播的表面波对水深重建误差的敏感性。这种灵敏度分析将说明观测网络的特定元素是否比其他元素更关键,并有助于最大限度地减少观测收集的额外成本和预测模型的效率。
2020-03-15 cs.NA math.FA math.NA
Continuous data assimilation for the magnetohydrodynamic equations in 2D using one component of the velocity and magnetic fields
针对二维磁流体动力学(MHD)方程,提出了几种基于反馈控制的连续数据同化(降尺度)算法。我们表明,对于足够大的控制参数和分辨率的选择,并假设所观察到的数据是无误差的,控制系统的解决方案的指数收敛(在$L^2$和$H^1$规范)的参考解决方案独立于初始数据选择的控制系统。此外,我们表明,类似的结果举行时,控制仅放置在水平(或垂直)变量,或在一个单一的Elsässer变量,在更严格的条件下的控制参数和分辨率。最后,利用资料同化系统,我们证明了简化的决定模态、节点和体积元的存在。
2017-04-07 math.AP math.DS math.OC
A reduced-order strategy for 4D-Var data assimilation
本文提出了一种基于模式轨迹的先验EO F分析的四维变分资料同化降阶方法。该方法具有两个主要优点:一是基于自然模型定义了多变量背景误差协方差矩阵$\textbf{B}_r$;二是由于控制空间维数的大幅降低,大大减少了该方法的计算量。以一个赤道太平洋模式的孪生试验为例,说明了该方法的可行性和有效性。结果表明,多变量方面的$\textbf{B}_r$带来了额外的信息,大大提高了识别过程。与全空间4D-Var方法相比,计算量可降低一个数量级。
2007-09-18 math.AP math.OC physics.geo-ph
Boundary conditions control for a Shallow-Water model
变分资料同化技术被用来估计邻近刚性边界的节点的插值算子和导数的最佳离散。本文讨论了方箱浅水模式中人工观测资料的同化和黑海模式中实际观测资料的同化。在这两个实验中,控制算子的离散化附近的刚性边界,可以使模型的解决方案更接近观测同化窗口和窗口以外。这种类型的控制还允许改进模型的气候变迁。
2012-12-13 math.OC physics.ao-ph
Machine Learning for Inverse Problems and Data Assimilation
University of Reading(雷丁大学);University of Toronto(多伦多大学);University of Chicago(芝加哥大学);California Institute of Technology(加州理工学院)
本书面向逆问题与数据同化研究者,阐述机器学习理念对该两领域的影响潜力,并附带对机器学习及相关数学基础主题的简要数学处理。
2026-08-11 cs.LG math.OC stat.ML
Comparison of reduced-order, sequential and variational data assimilation methods in the tropical Pacific Ocean
本文介绍了两个降阶,序列和变分资料同化方法:SEEK过滤器和R-4D-Var的比较。两者的杂交,结合变分框架和协方差矩阵的顺序演变,也初步研究和评估在相同的实验条件下。比较是使用双实验方法的热带太平洋域的模式。同化数据是TAO/TRITON阵列系泊位置的模拟温度廓线。它示出,在一个准线性政权,这两种方法产生同样好的结果。然而,混合方法提供了稍好的结果,因此似乎是潜在的富有成效的。在一个更加非线性的制度,当热带不稳定波的发展,全球性质的变分方法有助于控制模式的动态比SEEK过滤器的顺序方法更好。这方面可能是加强了实验的背景下,有一个有限的同化数据,没有模型误差。
2007-09-18 math.AP math.OC physics.geo-ph
Variational assimilation of Lagrangian data in oceanography
我们考虑的同化拉格朗日数据到一个原始方程的海洋环流模式在流域尺度。拉格朗日数据是在固定深度漂移的浮子的位置。我们的目标是重建海洋的四维时空环流。这个问题是解决使用四维变分技术和伴随方法。在这个问题中,控制向量被选为动力系统的初态。观测变量,即浮子的位置,通过非线性观测算子表示为控制向量的函数。该方法已经实现,并有能力重建的海洋环流的主要模式。此外,它是非常强大的增加时间采样周期的观察。我们进行了许多双实验,以分析我们的方法的浮动的数量,时间采样周期和垂直漂移水平的灵敏度。我们还比较了拉格朗日方法的经典欧拉方法的性能。最后,我们研究了误差对观测值的影响。
2008-04-07 math-ph math.MP math.OC
On the inadequacy of nudging data assimilation algorithms for non-dissipative systems
University of Cambridge(剑桥大学)
研究发现Azouani-Olson-Titi(AOT)推动型数据同化算法不适用于非耗散系统,因欧拉方程和KdV方程缺乏有限确定模态性质,且该算法无法准确恢复Lorenz 1963系统部分耗散变体的解。
2025-09-24 math-ph math.MP math.OC
Variational Data-Consistent Assimilation
Oden Institute for Computational Science and Engineering, University of Texas(德克萨斯大学奥登计算科学与工程研究所);Department of Mathematical and Statistical Sciences, University of Colorado Denver(科罗拉多大学丹佛分校数学与统计科学学院)
本文提出基于数据一致反演理论的DC-4DVar和DC-WME 4D-Var方法,通过引入可预测性感知正则化项扩展经典4D-Var,在非线性部分观测系统中提高了估计精度与鲁棒性,并在基准实验中优于标准方法。
2025-11-03 cs.NA math.NA math.OC
Optimal strategies for the control of autonomous vehicles in data assimilation
我们提出了一种方法来计算最优控制路径的自动驾驶汽车部署的目的是推断的速度场。除了被气流平流,车辆能够影响一个固定的相对速度与任意控制方向。正是这个方向被用作这里提出的局部最优控制算法的基础,目标由期望的后验分布的方差迹形成。本文给出了双曲不动点附近线性流动的结果。
2015-12-07 math.OC stat.CO stat.ML
Residual-type a posteriori error analysis of HDG methods for Neumann boundary control problems
本文研究了线性二次型边界控制问题的后验误差分析,该问题的控制作用于通过Neumann型边界条件的控制,且具有双边框约束。采用可杂交间断Galerkin方法作为离散技术,通量变量、标量变量和边界迹变量均用k次多项式逼近。对于控制变量,采用变分离散化概念进行离散化。然后引入了一个有效可靠的后验误差估计,并证明了该误差估计给出了误差的一个上界和一个下界。最后,给出了数值结果来说明所获得的后验误差估计器的性能。
2020-04-20 cs.NA math.NA math.OC
Quantum Approximate Optimization Algorithm and Quantum-enhanced Markov Chain Monte Carlo: A Hybrid Approach to Data Assimilation in 4DVAR
提出混合量子-经典框架QVPF,结合QAOA与QMCMC优化变分粒子滤波器,以解决4DVAR在高维非线性系统中的计算挑战,显著提升数据同化的准确性与效率。
2025-04-28 math.OC physics.ao-ph quant-ph
Sensitivity And Out-Of-Sample Error in Continuous Time Data Assimilation
本文通过识别数据同化对观测扰动的敏感性作为控制权衡的参数,建立敏感性与样本外误差的关系,并提出最小化样本外误差作为设置适当敏感性和解决权衡的标准。
2011-08-29 cs.SY eess.SY math.OC
Estimating the time-evolving refractivity of a turbulent medium using optical beam measurements: a data assimilation approach
University of Chicago(芝加哥大学);University of Wisconsin - Madison(威斯康星大学麦迪逊分校)
本研究提出利用数据同化技术,结合近轴波动方程和扩展卡尔曼滤波,从光束强度测量中估计湍流介质随时间演化的折射率,并验证了其恢复空间与时间变化的有效性。
2024-01-11 eess.SP math.OC physics.optics
Preserving Nonlinear Constraints in Variational Flow Filtering Data Assimilation
本文扩展 VFP 粒子流滤波框架,提出 VFPSTAB 与 VFPDAE 两种方法以非精确或精确保持非线性等式状态约束,并通过三类方程验证其效果。
2024-05-07 cs.CE cs.NA math.NA
Online data assimilation in distributionally robust optimization
研究了一类在未知随机变量$ξ$下,最小化函数期望值的实时决策问题.在此过程中,实时顺序收集$ξ$的样本,并使用实时数据做出决策,以保证样本外性能。我们在一个分布式鲁棒优化框架中处理这个问题,并为此提出了一种新的在线数据同化算法。该算法保证了高概率的样本外性能,并通过引入流数据来逐步提高数据驱动决策的质量。我们表明,在线数据同化算法保证下的流数据的收敛性,并在一定数量的数据收集后终止的算法的标准。
2020-03-27 cs.SY eess.SP eess.SY
Elliptic Reconstruction and A Posteriori Error Estimates for Parabolic Variational Inequalities
本文为抛物变分不等式建立了椭圆重构性质,并推导出后验误差估计,估计量包含离散互补项和标准残差,并给出了残差型误差估计的应用。
2024-05-27 cs.NA math.AP math.NA
A multi-model ensemble Kalman filter for data assimilation and forecasting
数据同化(DA)的目的是最佳地结合模式的预测和观测,都是部分和噪音。多模型DA推广了卡尔曼滤波器的变分形式或贝叶斯形式,并证明了它也是最小方差线性无偏无偏估计量。在这里,我们制定并实现了多模型集合卡尔曼滤波器(MM-EnKF)基于这个框架。MM-EnKF可以结合多个模型集成的DA和预测流量依赖的方式,它使用自适应模型误差估计提供矩阵值的权重为单独的模型和观察。为了说明的目的,我们使用Lorenz 96模型将这种方法应用于各种情况。我们的数值实验包括多个模型的参数误差,不同的解决尺度,和不同的qualitys。MM-EnKF的结果在显着的误差减少相比,最好的模型,以及一个未加权的多模型集成,相对于概率和确定性的误差度量。
2023-01-18 cs.SY eess.SY math.OC