Fugu-MT 論文翻訳(概要): Defined the predictors of the lightning over India by using artificial neural network

論文の概要: Defined the predictors of the lightning over India by using artificial neural network

arxiv url: http://arxiv.org/abs/2104.13958v1
Date: Wed, 28 Apr 2021 18:29:51 GMT
ステータス: 処理完了
システム内更新日: 2021-05-01 02:45:49.619380
Title: Defined the predictors of the lightning over India by using artificial neural network
Title（参考訳）: ニューラルネットワークを用いたインド上空の落雷予測器の定義
Authors: Pradip Kumar Gautam and Deweshvar Singh
Abstract要約: インドにおける雷の特徴は、日次データ低解像度時系列と月次データ高解像度月次気候学を用いて研究されている。電灯の時系列は出力(独立)され、入力(独立)はk-index、AOD、ケープ等です。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lightning casualties cause tremendous loss to life and property. However, very lately lightning has been considered as one of the major natural calamities which is now studied or monitored with proper instrumentation. The lightning characteristics over India have been studying by using daily data low resolution time series and monthly data high resolution monthly climatology. We have used ANN time series method (a neural network) to analyze the time series and defined which one will be the best predictor of lightning over India. The time series of lightning is output(dependent) and input (independent) are k-index, AOD, Cape etc. The Gaussian process regression, support vector machine, regression trees and linear regression defined the input variables. Which show approximately linear relation.
Abstract（参考訳）: 雷の被害は、生命と財産に大きな損失をもたらす。しかし、近年の雷は、現在研究または観測されている主要な自然災害の1つと見なされている。インドにおける雷の特徴は、日次データ低解像度時系列と月次データ高解像度月次気候学を用いて研究されている。我々は、ANN時系列法(ニューラルネットワーク)を用いて時系列を分析し、どれがインドにおける雷の最良の予測因子になるかを定義した。雷の時系列は出力(依存)であり、入力(独立)はk-index、aod、capeなどである。ガウス過程の回帰、サポートベクターマシン、回帰木、線形回帰は入力変数を定義した。ほぼ線形関係を示す。

関連論文リスト

Advancing Spatio-temporal Storm Surge Prediction with Hierarchical Deep Neural Networks [1.024113475677323]
北アメリカの沿岸地域は、ハリケーンや非東海岸で発生した暴風雨による大きな脅威に直面している。従来の数値モデルは正確ではあるが計算コストが高く、リアルタイム予測の実用性に限界がある。本研究では,階層型ディープニューラルネットワーク(HDNN)と畳み込みオートエンコーダ(CAE)を組み合わせることで,嵐発生時系列を高精度かつ効率的に予測する手法を提案する。
論文参考訳（メタデータ） (2024-10-01T15:09:40Z)
A Dynamical Model of Neural Scaling Laws [79.59705237659547]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文参考訳（メタデータ） (2024-02-02T01:41:38Z)
Mid-Long Term Daily Electricity Consumption Forecasting Based on Piecewise Linear Regression and Dilated Causal CNN [9.921863154466608]
既存の予測アルゴリズムは、休日のような特別な日付で精度を低下させる傾向にある。本研究は, 日常の電力消費を, 傾向, 季節, 残留の3つの構成要素に分解する。実験により,本手法は既存手法と比較して精度が高いことを示した。
論文参考訳（メタデータ） (2023-10-23T10:22:38Z)
Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文参考訳（メタデータ） (2023-02-20T22:25:47Z)
MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate Time Series [0.0]
時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
論文参考訳（メタデータ） (2022-11-22T10:17:42Z)
HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-08-11T14:05:51Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Seamless lightning nowcasting with recurrent-convolutional deep learning [2.175391729845306]
未来に向けて5分間の時間分解能で雷の発生を予測する深層学習モデルが提示される。このモデルは、対流の発生を認識・予測できる再帰的・時間的アーキテクチャに基づいている。予測は、嵐物体の検出と追跡を使わずに、静止格子上で実行される。
論文参考訳（メタデータ） (2022-03-15T12:54:17Z)
Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。 1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文参考訳（メタデータ） (2020-11-05T01:52:11Z)
Prediction of Rainfall in Rajasthan, India using Deep and Wide Neural Network [0.5735035463793008]
インド・ラジャサン州の降雨予測モデル(DWRPM)を提案する。地理的パラメータ(緯度と経度)の情報は、ユニークな方法で含まれる。結果とLSTMやCNNのような様々な深層学習手法を比較し,シーケンスベースの予測でうまく機能することが確認された。
論文参考訳（メタデータ） (2020-10-22T15:01:22Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。