XiaoMi-AI文件搜索系统
World File Search SystemKriging
使用高数据效率深度学习的光子结构优化：应用于纳米蛋白和环形河流相位掩码
metasurfaces为在薄膜光学元件的领域中操纵光特性提供了一个灵活的框架。特别是，可以通过使用薄相板有效地控制光的极化。本研究旨在为这些设备引入替代优化框架。该框架用于开发针对天文学高对比度成像应用的两种涡旋相口罩（VPM）。计算智能技术被利用以优化这些设备的几何特征。较大的设计空间和计算限制需要使用替代模型，例如部分最小二乘Kriging，径向基函数或神经网络。但是，我们证明了这些方法在建模VPM的性能时的不足。为了解决这些方法的缺点，提出了使用深神经网络作为高度准确且有效的替代模型的数据效率进化优化设置。本研究中的优化过程采用了强大的粒子群进化优化方案，该方案在光子设备的显式几何参数上运行。通过这种方法，为两个候选人开发了最佳设计。在最复杂的情况下，进化优化可以优化设计原本不切实际的设计（需要太多的模拟）。在这两种情况下，替代模型都提高了程序的可靠性和效率，与常规优化技术相比，所需的模拟数量最多可将所需数量的仿真数量减少高达75％。
多点贝叶斯主动学习可靠性分析
本手稿提出了一种新型的贝叶斯主动学习可靠性方法，该方法同时整合了贝叶斯故障概率估计和贝叶斯决策理论多点富集过程。首先，提出了一种称为综合边缘概率（IMP）的认知不确定性度量，以作为Kriging估计的失败概率的平均绝对偏差的上限。然后，遵守贝叶斯决策理论，定义了一种称为多点逐步减少（MSMR）的外观学习函数，以量化通过在预期中添加一批新样本来量化IMP的可能减少。基于MSMR的多点富集过程的成本效率实现由三个关键的解决方法进行：（a）由于内部积分的分析性障碍性，MSMR将其减少到单个积分。（b）MSMR中的其余单个积分是通过数值截断的数值计算的。（c）最大化MSMR的启发式治疗方法是根据迭代迅速选择最佳下一个点的一批最佳点，其中使用规定或自适应方案来指定批量大小。在两个基准示例和两个动态可靠性问题上测试了所提出的方法。结果表明，MSMR中的自适应方案在计算资源消耗和整体计算时间之间取得了良好的平衡。然后，根据故障概率估计的准确性，迭代次数以及性能函数评估的数量，尤其是在复杂的动态可靠性问题中，MSMR的表现相当优于现有的倾斜功能和并行化策略。
基于 ICESat 的格陵兰岛数字高程模型 ...
摘要。格陵兰数字高程模型 (DEM) 对于实地考察、冰速计算和质量变化估计必不可少。以前的 DEM 为整个格陵兰岛提供了合理的估计，但应用源数据的时间跨度可能会导致质量变化估计偏差。为了提供具有特定时间戳的 DEM，我们应用了大约 5 。从 2018 年 11 月到 2019 年 11 月的 8 × 10 8 ICESat-2 观测来生成新的 DEM，包括格陵兰岛外围的冰盖和冰川。分别在 500 m、1 km、2 km 和 5 km 网格单元进行时空模型拟合过程，并以 500 m 的模态分辨率发布最终 DEM。总共有 98% 的网格由模型拟合获得，其余的 DEM 间隙通过普通克里金插值法估算。与机载地形测绘仪 (ATM) 激光雷达系统获取的 IceBridge 任务数据相比，ICESat-2 DEM 估计最大中值差异为 − 0 。48 米。通过模型拟合和插值获得的网格性能相似，均与 IceBridge 数据高度一致。在低纬度和高坡度或粗糙度地区，DEM 不确定性会增加。此外，与其他高度计得出的 DEM 相比，ICESat-2 DEM 显示出显着的精度改进，并且其精度与立体摄影测量和干涉测量得出的精度相当。格陵兰 DEM 及其不确定性可在 https://doi.org/10.11888/Geogra.tpdc.271336 (Fan 等人，2021 年) 上找到。总体而言，ICESat-2 DEM 在各种地形条件下都表现出了出色的精度稳定性，可以提供具有特定时间戳的高精度 DEM，这将有助于研究格陵兰岛海拔和质量平衡变化。
机会 - 地质和地球物理特性的地理空间机器在全球范围内，我们对EAR的集体理解
机会 - 地质和地球物理特性在全球范围内的地质机器学习，我们对地球特性的集体理解受到直接观察地质的观察（例如，井原木，核心等）或间接通过遥感（例如地球物理或卫星观测）。这一事实导致在高空间分辨率（至sub-km量表）处的地球特性的稀疏数据集，或者从卫星观测值中产生了一个连续但低分辨率的数据集。因此，需要自动插值（例如Kriging）和/或人类知情轮廓，以在高分辨率下持续了解这些属性。在这项工作中，我们致力于改进这些方法。利用机器学习，深度学习和/或物理知情神经网络（PINN）的新发展，我们可以在空间和深度上智能插入或预测地球参数。这项工作利用了地质观察的各种数据源（即“大数据”），例如：科学钻孔，挖出和疏ed和地球物理观察，例如由乘员船（例如，船舶），自主平台（例如，AUV）（例如，AUV）和Satellites和Satellites和Satellites和Satellites和Satellites。我们将这些数据集与基于物理学的地质过程模型（例如压实）和数据驱动方法（例如机器学习）结合使用，以产生对地球特性的连续且准确的估计。这些方法的示例包括从稀疏的船板观测值中预测连续的重力场，或使用核心数据预测沉积物岩性与深度。鼓励基本的地质理解，但不需要。我们寻求具有地质/地球物理学经验的合格申请人，遥感/地理位置，机器学习/数据科学和/或运输/摇滚物理建模。申请人将有一些计算经验，并且在基本的编程/脚本中保持舒适（不需要特定语言）。实验室地点：海洋科学部海军研究实验室Stennis Space Center，MS POC：Benjamin Phrampus海军研究实验室，代码7352建筑物1005 Stennis Space Center，MS 39529电话：228-688-4899电子邮件：Benjamin.phrampus.civ@us.civ@us.navy.mil
一个联合模型，用于估算物种分布和环境特征的数据
全球生物多样性受到多种压力源的威胁，包括污染和气候变化等人为压力[1，2]。成功有效地减轻对特定物种的威胁需要了解其生态学的知识，但是这些信息并不总是可用。一种解决方案是使用生态模型来解释和预测物种的存在。该目标的一个有力的工具是物种分布模型（SDM），它们是试图使用环境特征的预测和解释物种发生的统计模型[3，4]。响应变量是物种的发生，解释性变量通常是环境特征，其中包括非生物环境的各种描述。研究人员基于统计模型和机器学习发展了越来越复杂的SDM技术[5，6]。SDM拟合到空间数据，其中空间自动校正是一种特征，应考虑到统计推断[7，8]和词语[9-11]。有关SDM和相关统计问题的更完整描述，我们将读者推荐给评论[12，13]。描述环境条件的数据集变得越来越多[14]。更多的数据在更充分地捕获物种的栖息地特征方面提供了希望，这可能会导致更准确的地图和对物种发生的新预测指标的检测[15-17]。这些预测因子很容易在SDM或其他生态模型中使用。对未知值的简单解决方案是两级方法。然而，环境数据通常是从其他模型中预测的，该模型以错误或从测量点进行了插值。GIS层[18-20]存在固有的不确定性，从气象站[21，22]插值的局部气候，主题分辨率和土地利用[23]的变化以及历史数据中物种发生的坐标[24]。最近的研究表明，模型性能差可以归因于环境数据中的高度不确定性[25]。空间未对准环境因素的测量结果与物种观察数据不正确，这是研究环境因素对物种分布的影响的关键来源[26]。预测精确的栖息地图图需要在研究区域的每个可能点上进行准确的环境条件。在第一阶段，人们可以预测每个空间位置的环境因素。典型的解决方案使用的是地统计学模型，例如Kriging，机器学习模型，例如随机森林或将每个观察结果缩放到完整的覆盖网格中。在第二阶段，这些预测的环境因素被视为特殊分布模型中的基础真理。但是，这种方法不考虑协变量值的不确定性，这可能导致错误的统计推断[27]。很少有研究试图评估环境变量对SDM模型的不确定性影响[26-32]。