Redes neurais e diferentes métodos de assimilação de dados em dinâmica não linear / Neural networks and different methods of data assimilation in dynamic nonlinear

AUTOR(ES)
DATA DE PUBLICAÇÃO

2008

RESUMO

Técnicas de assimilação de dados são essenciais para sistemas operacionais de previsão baseados em modelos físico-matemáticos. De modo simplificado pode-se dizer que a assimilação de dados é a ciência de ter uma adequada combinação de dados de um modelo matemático de previsão com dados de observação do sistema em estudo. Este trabalho propõe-se a avaliar métodos de assimilação de dados, que são: Filtro de Kalman (KF), Filtro de Partículas (FP), ou Método Sequencial de Monte Carlo, Método Variacional (MV) e Redes Neurais Artificiais, utilizando a arquitetura de rede Perceptron de Múltiplas Camadas (PMC). Primeiramente, faz-se uma revisão de algumas técnicas tradicionias em assimilação, tais como: Correções Sucessivas, Análise de Correções e Interpolação Ótima. O objetivo principal desta pesquisa é avaliar a capacidade da Rede Neural PMC emular o KF, FP e o MV. Avaliou-se também, a frequência com que as observações são inseridas no processo de assimilação. Os resultados obtidos com a rede PMC foram precisos para ambas as técnicas utilizadas no treinamento da rede. Sendo que, a RN obteve o resultado mais preciso que o Filtro de Kalman, com capacidade de fazer assimilação com frequência de observações a cada 500 passos de tempo. As técnicas foram aplicadas ao sistema de Lorenz em regime caótico.

ASSUNTO(S)

variational method assimilação de dados neural network método variacional data assimilation computação aplicada computer science filtro de partículas filtro de kalman kalman filter particle filter redes neurais

ACESSO AO ARTIGO

Documentos Relacionados