[论文解读] Data-driven sensor placement with shallow decoder networks

Jan M. Williams, Olivia Zahn+1 more|arXiv (Cornell University)|Feb 10, 2022

Model Reduction and Neural Networks被引用 7

一句话总结

本文提出Q-SDN，一种数据驱动的传感器布置方法，结合通过QR分解实现的贪心线性选择与浅层解码器网络（SDNs）的非线性重构。结果表明，这种混合方法显著提升了重构精度与鲁棒性——尤其在传感器数量较少时——在流体动力学应用中优于纯线性方法与基于剪枝的非线性替代方案。

ABSTRACT

Sensor placement is an important and ubiquitous problem across the engineering and physical sciences for tasks such as reconstruction, forecasting and control. Surprisingly, there are few principled mathematical techniques developed to date for optimizing sensor locations, with the leading sensor placement algorithms often based upon the discovery of linear, low-rank sub-spaces and the QR algorithm. QR is a computationally efficient greedy search algorithm which selects sensor locations from candidate positions with maximal variance exhibited in a training data set. More recently, neural networks, specifically shallow decoder networks (SDNs), have been shown to be very successful in mapping sensor measurements to the original high-dimensional state space. SDNs outperform linear subspace representations in reconstruction accuracy, noise tolerance, and robustness to sensor locations. However, SDNs lack principled mathematical techniques for determining sensor placement. In this work, we develop two algorithms for optimizing sensor locations for use with SDNs: one which is a linear selection algorithm based upon QR (Q-SDN), and one which is a nonlinear selection algorithm based upon neural network pruning (P-SDN). Such sensor placement algorithms promise to enhance the already impressive reconstruction capabilities of SDNs. We demonstrate our sensor selection algorithms on two example data sets from fluid dynamics. Moreover, we provide a detailed comparison between our linear (Q-SDN) and nonlinear (P-SDN) algorithms with traditional linear embedding techniques (proper orthogonal decomposition) and QR greedy selection. We show that QR selection with SDNs enhances performance. QR even out-performs our nonlinear selection method that uses magnitude-based pruning. Thus, the combination of a greedy linear selection (QR) with nonlinear encoding (SDN) provides a synergistic combination.

研究动机与目标

• 解决数据驱动系统中传感器位置优化缺乏系统性数学方法的问题。
• 通过整合非线性深度学习与最优传感器布置，提升时空系统的重构精度与抗噪能力。
• 评估基于剪枝的非线性传感器选择是否在真实世界与合成的流体动力学数据集中优于线性选择。
• 证明将贪心线性传感器选择（QR）与非线性重构（SDN）相结合可产生协同性能增益。
• 提供一种计算高效、易于实现的传感器布置框架，适用于物理科学与工程领域的广泛应用。

提出的方法

• 通过SVD对本征正交分解（POD）进行处理，从训练数据中提取低秩基，形成状态空间的定制化表示。
• 应用带列主元选择的QR分解，识别能最大化训练数据方差的传感器位置，确保传感器的最优线性选择。
• 训练一个浅层解码器网络（SDN），学习从稀疏传感器测量到完整高维状态空间的非线性映射。
• 通过自编码器架构的基于幅值的剪枝实现非线性传感器选择方法，将其简化为浅层解码器网络。
• 将Q-SDN（线性选择 + 非线性重构）的性能与R-SDN（随机传感器 + SDN）、P-SDN（基于剪枝的选择）以及传统线性方法（POD、gappy POD）进行比较。
• 以重构误差为主要指标，评估在不同传感器数量与噪声水平下的性能表现。

实验结果

研究问题

• RQ1 结合线性传感器选择（QR）与非线性重构（SDN）的混合方法，是否能在传感器布置中超越纯线性或非线性方法？
• RQ2 在真实世界的流体动力学数据中，基于幅值的剪枝用于SDN中的传感器选择，是否优于随机选择或基于QR的选择？
• RQ3 Q-SDN的性能如何随传感器数量变化，特别是在低传感器数量情况下？
• RQ4 为何基于幅值的剪枝在海表温度数据集中未能识别出有效的传感器位置？这又对这类剪枝策略的局限性意味着什么？
• RQ5 QR基传感器选择与SDN重构之间的协同作用，在多大程度上增强了对噪声的鲁棒性与重构精度？

主要发现

• Q-SDN在低传感器数量情况下显著优于R-SDN与线性重构方法，尤其在低噪声涡流脱落案例中，其重构误差接近R-SDN的两倍。
• 仅使用3个传感器时，Q-SDN即达到最优重构精度；增加传感器数量超过3个后，性能提升微乎其微，表明其传感器选择具有高度有效性。
• 为达到Q-SDN使用3个传感器的精度，R-SDN与线性方法需使用5倍以上的传感器，凸显了Q-SDN传感器布置的高效性。
• P-SDN（基于剪枝的非线性方法）在海表温度数据集中表现持续低于随机传感器选择，原因在于其对数据中低温（负值）区域存在偏差。
• 基于幅值的剪枝未能识别出有效传感器，表明此类方法在未经修改的情况下可能不适用于具有物理先验知识的传感器布置。
• QR基传感器选择与SDN重构的结合带来了协同性能增益，其表现优于单独使用任一组件时的性能。