論文の概要: Brain Emotional Learning-based Prediction Model For the Prediction of
Geomagnetic Storms
- arxiv url: http://arxiv.org/abs/2007.15579v2
- Date: Sat, 1 Aug 2020 13:37:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 02:19:45.977508
- Title: Brain Emotional Learning-based Prediction Model For the Prediction of
Geomagnetic Storms
- Title(参考訳): 地磁気嵐予測のための脳感情学習に基づく予測モデル
- Authors: Mahboobeh Parsapoor
- Abstract要約: 脳情緒学習インスパイアされたモデル(BELIM)の例であるモデルは、脳情緒学習ベース予測モデル(BELPM)として知られている。
これらのサブシステムの機能は適応的ネットワークを用いて説明される。
BELPMは、Auroral Electrojet (AE) IndexとDisrupt Time (Dst) Indexという2つの地磁気指標を用いて、地磁気嵐を予測するために使用される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study suggests a new data-driven model for the prediction of geomagnetic
storm. The model which is an instance of Brain Emotional Learning Inspired
Models (BELIMs), is known as the Brain Emotional Learning-based Prediction
Model (BELPM). BELPM consists of four main subsystems; the connection between
these subsystems has been mimicked by the corresponding regions of the
emotional system. The functions of these subsystems are explained using
adaptive networks. The learning algorithm of BELPM is defined using the
steepest descent (SD) and the least square estimator (LSE). BELPM is employed
to predict geomagnetic storms using two geomagnetic indices, Auroral Electrojet
(AE) Index and Disturbance Time (Dst) Index. To evaluate the performance of
BELPM, the obtained results have been compared with ANFIS, WKNN and other
instances of BELIMs. The results verify that BELPM has the capability to
achieve a reasonable accuracy for both the short-term and the long-term
geomagnetic storms prediction.
- Abstract(参考訳): 本研究では,地磁気嵐予測のための新しいデータ駆動モデルを提案する。
脳情緒学習インスパイアされたモデル(BELIM)の例であるモデルは、脳情緒学習ベース予測モデル(BELPM)として知られている。
BELPMは4つの主要なサブシステムから構成されており、これらのサブシステム間の接続は感情システムの対応する領域によって模倣されている。
これらのサブシステムの機能は適応ネットワークを用いて説明される。
BELPMの学習アルゴリズムは、最も急降下(SD)と最小二乗推定器(LSE)を用いて定義される。
BELPMは、Auroral Electrojet (AE) IndexとDisrupt Time (Dst) Indexという2つの磁気指標を用いて、地磁気嵐を予測するために使用される。
BELPMの性能を評価するため,ANFIS,WKNN,その他のBELIMと比較した。
その結果,BELPMは短期および長期の地磁気嵐予測において妥当な精度を達成できることを確認した。
関連論文リスト
- Deep Learning-Based Cyber-Attack Detection Model for Smart Grids [6.642400003243118]
監視制御とデータ取得(SCADA)により、受信した負荷データに対するデータ完全性サイバー攻撃(DIA)を防止するために、人工知能に基づく新しいサイバー攻撃検出モデルを開発した。
提案モデルでは、まず回帰モデルを用いて負荷データを予測し、処理後、教師なし学習法を用いて処理データをクラスタ化する。
提案したEE-BiLSTM法は,他の2つの手法と比較して,より堅牢かつ高精度に動作可能である。
論文 参考訳(メタデータ) (2023-12-14T10:54:04Z) - Learning Successor Representations with Distributed Hebbian Temporal
Memory [49.1574468325115]
本稿では,不確実性のある意思決定におけるオンライン隠れ表現学習の課題に対処する新しいアプローチを提案する。
提案アルゴリズムは因子グラフ形式と多成分ニューロンモデルに基づく分散Hebbian Temporal Memory (DHTM) である。
論文 参考訳(メタデータ) (2023-10-20T10:03:14Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Earthquake Magnitude and b value prediction model using Extreme Learning
Machine [2.8935588665357077]
パラメトリック特徴および非パラメトリック特徴を計算し、非パラメトリック特徴をパラメトリック特徴を用いて算出した。
グテンベルク・リヒター法則、全再帰法、地震エネルギー放出法を用いて、9ドルの地震特性を計算した。
このモデルは堅牢であることが証明され、早期警告システムで実装できる。
論文 参考訳(メタデータ) (2023-01-23T23:27:22Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Integration of neural network and fuzzy logic decision making compared
with bilayered neural network in the simulation of daily dew point
temperature [0.8808021343665321]
ドウ点温度(DPT)は、データ駆動方式を用いてシミュレートされる。
アーキテクチャのトレーニングには、様々な入力パターン、すなわち、T min、T max、T が使用される。
論文 参考訳(メタデータ) (2022-02-23T14:25:13Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - Hessian-based toolbox for reliable and interpretable machine learning in
physics [58.720142291102135]
本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。
与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。
我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
論文 参考訳(メタデータ) (2021-08-04T16:32:59Z) - A comparison of Monte Carlo dropout and bootstrap aggregation on the
performance and uncertainty estimation in radiation therapy dose prediction
with deep learning neural networks [0.46180371154032895]
本稿では,モンテカルロ投棄法(MCDO)とブートストラップアグリゲーション(バッグング)をディープラーニングモデルに応用し,放射線治療用線量予測の不確かさを推定する手法を提案する。
パフォーマンス面では、バギングは調査対象のほとんどの指標において統計的に顕著な損失値と誤差を減少させる。
論文 参考訳(メタデータ) (2020-11-01T00:24:43Z) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳(メタデータ) (2020-07-09T01:45:06Z) - Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine
Learning [0.0]
ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。
相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。
2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
論文 参考訳(メタデータ) (2020-06-08T15:14:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。