論文の概要: Towards an Adaptive Dynamic Mode Decomposition
- arxiv url: http://arxiv.org/abs/2012.07834v1
- Date: Fri, 11 Dec 2020 22:50:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 02:46:25.496554
- Title: Towards an Adaptive Dynamic Mode Decomposition
- Title(参考訳): 適応動的モード分解に向けて
- Authors: Mohammad N. Murshed, M. Monir Uddin
- Abstract要約: Dynamic Mode Decomposition (DMD) は、ある時点の数量を将来同じ数量にマッピングする行列を識別するデータベースのモデリングツールである。
我々は、時間遅延座標、投影法、フィルタをデータの性質に応じて利用し、利用可能な問題のモデルを作成するAdaptive Dynamic Mode Decomposition (ADMD) と呼ばれる新しいバージョンを設計する。
- 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: Dynamic Mode Decomposition (DMD) is a data based modeling tool that
identifies a matrix to map a quantity at some time instant to the same quantity
in future. We design a new version which we call Adaptive Dynamic Mode
Decomposition (ADMD) that utilizes time delay coordinates, projection methods
and filters as per the nature of the data to create a model for the available
problem. Filters are very effective in reducing the rank of high-dimensional
dataset. We have incorporated 'discrete Fourier transform' and 'augmented
lagrangian multiplier' as filters in our method. The proposed ADMD is tested on
several datasets of varying complexities and its performance appears to be
promising.
- Abstract(参考訳): dynamic mode decomposition (dmd) はデータベースのモデリングツールで、ある時点での量を将来同じ量にマッピングするためにマトリックスを識別する。
我々は、時間遅延座標、投影法、フィルタをデータの性質に応じて利用し、利用可能な問題のモデルを作成するAdaptive Dynamic Mode Decomposition (ADMD) と呼ばれる新しいバージョンを設計する。
フィルタは高次元データセットのランクを下げるのに非常に効果的である。
我々は,フィルタとして'discrete Fourier transform' と 'augmented lagrangian multiplier' を組み込んだ。
提案したADMDは、様々な複雑さのデータセットでテストされており、その性能は有望であるようだ。
関連論文リスト
- Dynamic Mode Decomposition for data-driven analysis and reduced-order
modelling of ExB plasmas: I. Extraction of spatiotemporally coherent patterns [3.203036813451742]
データ駆動解析とプラズマ力学の低次モデリングのための動的モード分解(DMD)アルゴリズムの一般性を評価する。
論文 参考訳(メタデータ) (2023-08-26T01:37:52Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳(メタデータ) (2023-05-22T12:18:20Z) - Classification of BCI-EEG based on augmented covariance matrix [0.0]
本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。
私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
論文 参考訳(メタデータ) (2023-02-09T09:04:25Z) - f-DM: A Multi-stage Diffusion Model via Progressive Signal
Transformation [56.04628143914542]
拡散モデル(DM)は、最近、様々な領域で生成モデリングを行うためのSoTAツールとして登場した。
本稿では、プログレッシブ信号変換が可能なDMの一般化されたファミリであるf-DMを提案する。
我々は、ダウンサンプリング、ぼやけ、学習された変換を含む様々な機能を持つ画像生成タスクにf-DMを適用した。
論文 参考訳(メタデータ) (2022-10-10T18:49:25Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳(メタデータ) (2022-02-23T11:23:59Z) - An AO-ADMM approach to constraining PARAFAC2 on all modes [6.3172660601651]
乗算器の交互方向法(AO-ADMM)による交互最適化に基づくPARAFAC2の組付けアルゴリズムを提案する。
提案したPARAFAC2 AO-ADMMアプローチは柔軟な制約を許容し、基礎となるパターンを正確に復元し、最先端技術と比較して計算効率が良いことを示す。
論文 参考訳(メタデータ) (2021-10-04T09:39:01Z) - Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening
Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。
本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文 参考訳(メタデータ) (2021-04-28T22:14:25Z) - Discriminant Dynamic Mode Decomposition for Labeled Spatio-Temporal Data
Collections [16.69145658813375]
ラベル付き時間データコレクションからコヒーレントパターンを抽出する新しい方法を提案する。
このようなパターン抽出を動的モード分解に識別解析を組み込むことで実現します。
合成データセットといくつかの実世界データセットを用いた手法を例示する。
論文 参考訳(メタデータ) (2021-02-19T15:12:59Z) - Hierarchical Dynamic Filtering Network for RGB-D Salient Object
Detection [91.43066633305662]
RGB-D Salient Object Detection (SOD) の主な目的は、相互融合情報をよりよく統合し活用する方法である。
本稿では,これらの問題を新たな視点から考察する。
我々は、より柔軟で効率的なマルチスケールのクロスモーダルな特徴処理を実装している。
論文 参考訳(メタデータ) (2020-07-13T07:59:55Z) - Variational Hyper RNN for Sequence Modeling [69.0659591456772]
本稿では,時系列データにおける高変数の取得に優れる新しい確率的シーケンスモデルを提案する。
提案手法では,時間潜時変数を用いて基礎となるデータパターンに関する情報をキャプチャする。
提案手法の有効性を,合成および実世界のシーケンシャルデータに示す。
論文 参考訳(メタデータ) (2020-02-24T19:30:32Z)
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。