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

• TriQXNet: Forecasting Dst Index from Solar Wind Data Using an Interpretable Parallel Classical-Quantum Framework with Uncertainty Quantification [2.1940162009107382]
  地磁気嵐はGPS、衛星通信、電力網などの重要なインフラを破壊する可能性がある。 本研究は、Dst予測のためのハイブリッド古典量子ニューラルネットワークであるTriQXNetを紹介する。 我々のモデルは、古典的および量子コンピューティング、共形予測、およびハイブリッドアーキテクチャ内に説明可能なAI(XAI)を統合する。
  論文  参考訳（メタデータ） (2024-07-09T08:30:42Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• Forecasting Geoffective Events from Solar Wind Data and Evaluating the Most Predictive Features through Machine Learning Approaches [0.0]
  本研究では,機械学習技術を利用した地磁気障害の予測について検討した。 この問題は,SYM-H地磁気活動指数の50ドルnT未満の低下を事前に1時間予測することを目的とした2値分類としてアプローチされている。 地磁気嵐の発生を適切に予測するためのニューラルネットワークの最適性能を示す。
  論文  参考訳（メタデータ） (2024-03-14T20:13:26Z)
• 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)
• 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)
• 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)
• 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)

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。