发帖
雷达卡
3.1 机器学习
3.1.1 核心框架
机器学习的基本流程包括三个步骤：首先定义一组函数，接着通过损失函数来衡量这些函数的好坏，最后通过优化算法选择最佳函数。
应用方面，机器学习可以通过历史或实时数据训练模型，并将其嵌入到数字孪生中，用于预测或评估状态。
3.1.2 监督学习
监督学习是指通过带有标签的训练数据来学习从输入到输出的映射函数。
分类算法（离散输出）
分类算法的目标是将输入数据划分到不同的类别中，如二分类或多分类任务。常用的分类算法包括逻辑回归、支持向量机（SVM）、决策树、随机森林和神经网络。
其损失函数通常表示为：\[ L(f) = \sum_{n} \delta(f(x^n) \neq \hat{y}^n) \] 其中，\(\delta\) 是指示函数，当预测值与实际值不符时取1，否则取0。
应用场景包括信用评分、医学诊断、手写字符识别和人脸识别等。
回归算法（连续输出）
回归算法旨在预测连续值输出，如数值或概率。一个常见的线性模型为：\[ y = b + \sum w_i x_i \] 其中 \(w_i\) 为权重，\(b\) 为偏置项。
回归算法的损失函数通常表示为：\[ L(w,b) = \sum_{n=1}^N (\hat{y}^n - (b + w \cdot x^n))^2 \]
优化算法如梯度下降被用来最小化损失函数。回归算法的应用场景包括股市预测、自动驾驶车辆的方向盘角度控制以及商品推荐等。
3.1.3 无监督学习
无监督学习涉及处理没有标签的数据，目的是发现数据内部的模式和结构。
自编码器（AE）
自编码器由编码器和解码器组成，前者将输入压缩成低维代码，后者则尝试重构输入数据。深度自编码器通过多层网络增强了特征提取的能力，但需要逐层初始化，例如使用受限玻尔兹曼机（RBM）。
变分自编码器（VAE）
变分自编码器在自编码器的基础上引入了正态分布约束，使得编码后的数据具有生成新样本的能力。它试图最小化重建误差和KL散度。然而，变分自编码器可能会过度记忆已有数据，导致生成效果有限。
生成对抗网络（GAN）
生成对抗网络由生成器和判别器两部分组成，生成器负责生成假数据，而判别器则试图区分真实数据和生成的数据。两者相互竞争，共同优化。GAN的衍生模型包括Cycle GAN（用于图像到图像的转换）和Stack GAN（用于从文本生成图像）。
GAN的应用包括图像生成、风格迁移和图像修复等。
3.1.4 强化学习
强化学习是一种通过与环境互动来学习最优策略的方法，解决了“延迟奖励”的问题。其核心概念包括状态空间、动作空间、策略、状态转移概率和奖赏函数。
强化学习的目标是最大化累积奖赏，这可以通过多种方式实现，如策略迭代、值迭代、蒙特卡罗强化学习和时序差分学习等。
在处理连续状态空间时，可以通过值函数近似方法来简化问题，使用线性或非线性模型来近似值函数。
模仿学习包括直接模仿专家的行为，或者通过逆向强化学习从专家数据中推断出奖赏函数，然后再训练策略。
3.2 数据同化（Data Assimilation）
3.2.1 核心作用
数据同化技术通过融合实时观测数据和物理模型，解决了观测数据不完整和模型误差的问题，实现了虚拟模型与物理系统的同步。其主要功能包括状态估计、参数校正和不确定性量化。
3.2.2 贝叶斯框架
贝叶斯框架的核心公式为：\[ p(x|y) = \frac{p(y|x) \cdot p(x)}{p(y)} \] 其中 \(x\) 表示状态，\(y\) 表示观测数据。
3.2.3 常用方法
| 方法 | 特点 | 适用场景 |
|---|---|---|
| 3D-Var/4D-Var | 变分法，最小化代价函数 | 气象、海洋、工程系统 |
| 卡尔曼滤波（KF） | 递归滤波，实时更新 | 控制系统、自动驾驶 |
| 集合卡尔曼滤波（EnKF） | 基于集合，处理非线性 | 高维系统、数字孪生 |
| 粒子滤波（Particle Filter） | 处理非高斯、非线性系统 | 机器人、金融 |
3.2.4 应用案例
在天气预报中，数据同化技术通过融合气象站、卫星和雷达数据，利用卡尔曼滤波更新数值天气预报模型（如WRF），提高了预报的准确性。
在航空航天领域，粒子滤波技术被用于更新飞行器的动力学模型，跟踪飞行器的位置和状态，检测故障。
3.3 代理模型（Surrogate Modeling）
3.3.1 定义与作用
代理模型是一种简化的数学模型，用于替代计算成本高昂的真实系统模型，从而实现快速计算。它的主要作用是提高仿真效率，支持多场景模拟，并赋能数字孪生的实时决策。
3.3.2 构建方法
构建代理模型通常包括两个步骤：首先通过采样方法（如拉丁超立方采样）生成训练数据集，然后使用机器学习或统计模型拟合输入输出之间的关系。
3.3.3 常用类型
多项式响应面（PRS）是一种常用的代理模型，其数学表达式为：\[ \hat{f}(x) = \beta_0 + \sum \beta_i x_i + \sum \beta_{ij} x_i x_j + \cdots \]
3.3 模型选择
多项式回归：适合处理低维度且平滑的函数。
克里金模型（Kriging/Gaussian Process）：考虑到空间相关性，能够提供预测的不确定性评估，特别适用于中低维度的非线性问题。
物理信息神经网络（PINN）：结合了物理定律和数据驱动的方法，采用了一种半透明的建模策略。
3.3.4 应用实例
钢筋混凝土梁的数字孪生体：利用四点弯曲测试的数据，通过PINN预测梁的应变状态及其分布，从而实现了结构健康状况的监控。
3.4 时间序列分析
3.4.1 定义与构成
时间序列是指按照时间顺序排列的数据点集合，其构成元素包括趋势（Trend）、季节性变化（Seasonality）、周期性波动（Cyclicity）以及随机波动（Noise）。
类型：
- 时期序列：该类数据反映了特定时间段内的总量，具备可累加特性，例如国内生产总值（GDP）。
- 时点序列：这类数据表示某一具体时刻的状态或水平，不具备可累加性，如人口数量。
3.4.2 常见模型
ARIMA模型：即自回归整合移动平均模型，主要应用于非平稳的时间序列数据，通过差异处理来达到平稳化的目的。
数学表达式为： (1 - \phi_1 B - \cdots - \phi_p B^p)(1 - B)^d X_t = (1 + \theta_1 B + \cdots + \theta_q B^q)\varepsilon_t
SARIMA模型：作为ARIMA模型的扩展版本，专门用于处理含有季节性特征的时间序列数据，增加了季节性的差异处理及AR/MA成分。
机器学习方法：例如长短期记忆网络（LSTM）和门控循环单元（GRU），这些循环神经网络技术非常适合处理非线性和高维度的时间序列数据。
3.4.3 实际应用案例
公共交通系统：收集地铁乘客流量和刷卡记录，运用Facebook Prophet模型进行短期客流预测，以优化列车班次安排。
京公网安备 11010802022788号
