Redes Neurais Artificiais na Melhoria de Desempenho de Métodos de Assimilação de Dados: Filtro de Kalman

Authors

  • R.S. Cintra
  • H.F. de Campos Velho
  • R. Todling

DOI:

https://doi.org/10.5540/tema.2010.011.01.0029

Abstract

Assimilação de Dados é um método que combina dados de um modelo matemático e dados de observações, permitindo uma melhoria na previsão do modelo. Métodos seqüenciais ótimos são baseados em teoria de estimativa formal que minimiza os erros dos dados de acordo com a dinâmica do modelo. Métodos de assimilação de dados utilizando Redes Neurais Artificiais (RNA) vêm sendo propostos muito recentemente apresentando resultados consistentes: computacionalmente eficientes e eficazes quanto aplicação. Este trabalho apresenta uma abordagem do método de assimilação por RNA, onde aplica-se uma RNA para substituir o cálculo da inversão de matrizes de erros constante do algoritmo de assimilação baseado em filtro de Kalman. Para exemplo da aplicação desta abordagem, utilizou-se o Sistema de Lorenz e o Filtro de Kalman Estendido para obter parâmetros usados no treinamento da RNA e na comparação dos resultados.

References

[1] F. Boutier, P. Courtier, Data Assimilation concepts and methods, in “Meteorological Training Course”, Reading, UK, 1998.

S.D. Conte, C. de Boor, “Elementary Numerical Analysis: an Algorithmic Approach”, McGraw-Hill, 3rd Edition, 1980.

D. Coppersmith, S. Winograd, Matrix multiplication via arithmetic progressions, Journal of Symbolic Computation, 9 (1990), 251–280.

R. Daley, “Atmospheric Data Analysis”, Cambridge University Press, 1991.

M.W. Gardner, S.R. Dorling, Artificial neural networks (the multilayer perpectron) – a review of applications in the atmospheric sciences, Atmospheric Environment, 32, No. 14–15 (1998), 2627–2636.

M.J. Goris, D.A. Gray, I.M.Y. Marcels, Reduncing the computational load of a Kalman filter, IEE Eletronics Letters, 33, No. 12 (1997), 1539–1541.

F.P. Härter, H.F. de Campos Velho, New approach to applying neural network in nonlinear dynamic model, Applied Mathematical Modelling, 32 (2008), 2621–2633. doi: 10.1016/j.apm.2007.09.006

F.P. Härter, “Redes Neurais Recorrentes Aplicadas à Assimilação de Dados em Dinâmica Não Linear", Tese de Doutorado, Computação Aplicada, CAP-INPE, São José dos Campos, SP, 2004.

F.P. Härter, H.F. de Campos Velho, Recurrent and feedforward neural networks trained with cross correlation applied to the data assimilation in chaotic dynamic, Revista Brasileira de Meteorologia, 20, No. 3 (2005), 411–420.

R.E. Kalman, A new approach to linear filtering and prediction problems, Trans. of the ASME–Journal of Basic Engineering, 82, No. D (1960), 35–45.

E. Kalnay, “Atmospheric Modeling, Data Assimilation and Predictability”, Cambridge University Press, 2003.

S. Haykin, “Neural Networks: A Comprehensive Foundation”, Pearson Education, 2002.

S. Haykin, “Adaptive Filter Theory”, Mcmillan, 1994.

E.N. Lorenz, Deterministic nonperiodic flow, Journal of the Atmospheric Physics, 20 (1963), 130–141.

A.G. Nowosad, “Novas Abordagens para Assimilação de Dados Meteorológicos”, Tese de Doutorado, CAP-INPE, 2001.

S. Robinson, Toward an optimal algorithm for matrix multiplication, SIAM News, 38, No. 9 (2005).

J. Stoer, R. Bulirsch, “Introduction to Numerical Analysis”, Springer-Verlag, 3rd Edition, 2000.

V. Strassen, Gaussian elimination is not optimal, Numerische Mathematik, 13 (1969), 354–356.

O. Talagrand, Assimilation of observations, an introduction, J. Meteor. Soc. Japan, 75 (1997), 91–209.

R. Todling, S.E. Cohn, Suboptimal schemes for atmospheric data assimilation based on the Kalman filter, Mon. Wear. Rev., 122 (1994), 2530–2557.

Published

2010-06-01

How to Cite

Cintra, R., de Campos Velho, H., & Todling, R. (2010). Redes Neurais Artificiais na Melhoria de Desempenho de Métodos de Assimilação de Dados: Filtro de Kalman. Trends in Computational and Applied Mathematics, 11(1), 29–39. https://doi.org/10.5540/tema.2010.011.01.0029

Issue

Section

Original Article