Я хочу оптимизировать подгонку сложной параметризованной модели к шумным данным с помощью Particle Swarm Optimization (PSO).Данные представляют собой значения химической концентрации во временных рядах.
В рамках моей целевой функции оптимизации я измеряю пригодность, используя расстояние Брея Кертиса [1] между профилями временных рядов концентрации и прогнозом модели (прогноз модели создается с использованием параметров, соответствующих возможному решению оптимизации)проблема).
В настоящее время я не учитываю неточности в моих данных о концентрации.В действительности концентрации были округлены до целых значений.Я подозреваю, что я мог бы получить лучшее соответствие модели с PSO, если бы процедура PSO и / или целевая функция «знали» о неточности входных данных.
Я могу найти минимальное и максимальное расстояния Брея Кертиса для временных рядов прогноза и временных рядов данных, но не уверен, как лучше использовать эти значения в коде PSO.
Есть ли у кого-нибудь какие-либо предложения относительно того, как бороться с неточностью данных при оценке пригодности возможных решений в контексте эволюционной оптимизации?
Вторичной проблемой является то, что данные временного ряда подвержены какошибки прибора и синхронизации.Я рад предположить, что оба типа ошибок обычно распределены и имеют инвариантные стандартные отклонения, но опять же больше не уверен, как лучше всего справиться с этой неопределенностью при количественной оценке пригодности для оптимизации PSO.
[1] http://docs.scipy.org/doc/scipy/reference/generated/scipy.spatial.distance.braycurtis.html