論文の概要: Monitoring multimode processes: a modified PCA algorithm with continual
learning ability
- arxiv url: http://arxiv.org/abs/2012.07044v4
- Date: Mon, 26 Apr 2021 13:45:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-09 17:07:31.344943
- Title: Monitoring multimode processes: a modified PCA algorithm with continual
learning ability
- Title(参考訳): マルチモードプロセスのモニタリング:連続学習能力を持つ修正PCAアルゴリズム
- Authors: Jingxin Zhang, Donghua Zhou, and Maoyin Chen
- Abstract要約: ローカル監視モデルを以前のモードの特徴を覚えさせる効果的な方法かもしれません。
修正PCAアルゴリズムは、マルチモードプロセスを監視するための連続学習機能によって構築される。
それはPCA-EWCと呼ばれ、現在のモードでPCAモデルが確立されたときに以前のモードの重要な特徴が保存されます。
- 参考スコア(独自算出の注目度): 2.5004754622137515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For multimode processes, one generally establishes local monitoring models
corresponding to local modes. However, the significant features of previous
modes may be catastrophically forgotten when a monitoring model for the current
mode is built. It would result in an abrupt performance decrease. It could be
an effective manner to make local monitoring model remember the features of
previous modes. Choosing the principal component analysis (PCA) as a basic
monitoring model, we try to resolve this problem. A modified PCA algorithm is
built with continual learning ability for monitoring multimode processes, which
adopts elastic weight consolidation (EWC) to overcome catastrophic forgetting
of PCA for successive modes. It is called PCA-EWC, where the significant
features of previous modes are preserved when a PCA model is established for
the current mode. The optimal parameters are acquired by differences of convex
functions. Moreover, the proposed PCA-EWC is extended to general multimode
processes and the procedure is presented. The computational complexity and key
parameters are discussed to further understand the relationship between PCA and
the proposed algorithm. Potential limitations and relevant solutions are
pointed to understand the algorithm further. Numerical case study and a
practical industrial system in China are employed to illustrate the
effectiveness of the proposed algorithm.
- Abstract(参考訳): マルチモードプロセスでは、一般にローカルモードに対応するローカルモニタリングモデルを確立する。
しかし、現在のモードの監視モデルを構築したとき、以前のモードの重要な特徴は破滅的に忘れられる可能性がある。
その結果、突然のパフォーマンスが低下する。
ローカルモニタリングモデルを以前のモードの特徴を思い出させる効果的な方法かもしれない。
基本的な監視モデルとして主成分分析(pca)を選択し,この問題を解決しようとする。
改良されたPCAアルゴリズムは、連続モードにおけるPCAの破滅的な忘れを克服するために、弾性重み付け(EWC)を採用するマルチモードプロセスの連続的な学習能力を持つ。
PCA-EWC(PCA-EWC)と呼ばれ、現在のモードでPCAモデルを確立する際に、以前のモードの重要な特徴が保存される。
最適パラメータは凸関数の違いによって得られる。
さらに、提案したPCA-EWCを一般的なマルチモードプロセスに拡張し、その手順を示す。
PCAと提案アルゴリズムの関係をより深く理解するために,計算複雑性と鍵パラメータについて考察する。
潜在的な制限と関連する解決策は、アルゴリズムをさらに理解するために指摘される。
中国における数値ケーススタディと実践的産業システムを用いて,提案アルゴリズムの有効性を実証した。
関連論文リスト
- Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。
システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
論文 参考訳(メタデータ) (2023-10-07T15:07:10Z) - Bayesian tomography using polynomial chaos expansion and deep generative
networks [0.0]
可変オートエンコーダ(VAE)の優れた再構成性能とPCA-PCEサロゲートモデリングの精度を組み合わせた戦略を提案する。
MCMCプロセス内では、VOEのパラメトリゼーションが事前の探査とサンプル提案に利用される。
論文 参考訳(メタデータ) (2023-07-09T16:44:37Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳(メタデータ) (2023-07-01T18:35:21Z) - Non-stationary Reinforcement Learning under General Function
Approximation [60.430936031067006]
まず,非定常MDPに対する動的ベルマンエルダー次元(DBE)と呼ばれる新しい複雑性指標を提案する。
提案する複雑性指標に基づいて,SW-OPEAと呼ばれる新しい信頼度セットに基づくモデルフリーアルゴリズムを提案する。
SW-OPEAは,変動予算がそれほど大きくない限り,有効に有効であることを示す。
論文 参考訳(メタデータ) (2023-06-01T16:19:37Z) - Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。
元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。
我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文 参考訳(メタデータ) (2023-02-08T07:37:51Z) - Continual learning-based probabilistic slow feature analysis for
multimode dynamic process monitoring [2.9631016562930546]
弾性重み付け(EWC)を確率的スロー特徴解析(PSFA)に拡張した新しいマルチモード動的プロセス監視手法を提案する。
EWCはもともと、破滅的な忘れの問題を避けるために、シーケンシャルなマルチタスクの機械学習設定で導入された。
提案手法の有効性を, 連続加熱式タンクヒータと実用的石炭微粉化システムを用いて実証した。
論文 参考訳(メタデータ) (2022-02-23T03:57:59Z) - Sequential Stochastic Optimization in Separable Learning Environments [0.0]
我々は,様々な種類の教師付き学習概念を包含できる,不確実性の下での逐次的意思決定問題について考察する。
これらの問題は完全に観察された状態プロセスと部分的に観察された変調プロセスを持ち、状態プロセスは観察プロセスを通してのみ変調プロセスによって影響を受ける。
我々は、この幅広い問題のクラスを部分的に観察されたマルコフ決定過程(POMDP)としてモデル化する。
論文 参考訳(メタデータ) (2021-08-21T21:29:04Z) - Self-learning sparse PCA for multimode process monitoring [2.8102838347038617]
本稿では,逐次モードの自己学習能力を有するスパース主成分分析アルゴリズムを提案する。
従来のマルチモードモニタリング方法とは異なり、モニタリングモデルは現在のモデルと新しいモードが到着したときに新しいデータに基づいて更新される。
論文 参考訳(メタデータ) (2021-08-07T13:50:16Z) - Recurrent Model Predictive Control [19.047059454849897]
一般非線形有限水平最適制御問題を解くために,リカレントモデル予測制御(RMPC)と呼ばれるオフラインアルゴリズムを提案する。
提案アルゴリズムは,システム状態と参照値を直接制御入力にマッピングする最適ポリシを近似するために,繰り返し関数を用いる。
論文 参考訳(メタデータ) (2021-02-23T15:01:36Z) - Stein Variational Model Predictive Control [130.60527864489168]
不確実性の下での意思決定は、現実の自律システムにとって極めて重要である。
モデル予測制御 (MPC) 法は, 複雑な分布を扱う場合, 適用範囲が限られている。
この枠組みが、挑戦的で非最適な制御問題における計画の成功に繋がることを示す。
論文 参考訳(メタデータ) (2020-11-15T22:36:59Z)
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。