Fugu-MT 論文翻訳(概要): Recurrent-type Neural Networks for Real-time Short-term Prediction of Ship Motions in High Sea State

論文の概要: Recurrent-type Neural Networks for Real-time Short-term Prediction of Ship Motions in High Sea State

arxiv url: http://arxiv.org/abs/2105.13102v1
Date: Thu, 27 May 2021 12:58:15 GMT
ステータス: 処理完了
システム内更新日: 2021-05-28 15:59:35.635212
Title: Recurrent-type Neural Networks for Real-time Short-term Prediction of Ship Motions in High Sea State
Title（参考訳）: 高海での船舶運動の短時間リアルタイム予測のためのリカレント型ニューラルネットワーク
Authors: Danny D'Agostino, Andrea Serani, Frederick Stern, Matteo Diez
Abstract要約: 船体運動のリアルタイム短期予測(流速予測)において, 繰り返し型ニューラルネットワークの予測能力について検討した。インシデント波の時系列、船の動き、舵角、および浸漬プローブが、現在放送問題の変数として使われている。
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: The prediction capability of recurrent-type neural networks is investigated for real-time short-term prediction (nowcasting) of ship motions in high sea state. Specifically, the performance of recurrent neural networks, long-short term memory, and gated recurrent units models are assessed and compared using a data set coming from computational fluid dynamics simulations of a self-propelled destroyer-type vessel in stern-quartering sea state 7. Time series of incident wave, ship motions, rudder angle, as well as immersion probes, are used as variables for a nowcasting problem. The objective is to obtain about 20 s ahead prediction. Overall, the three methods provide promising and comparable results.
Abstract（参考訳）: 船体運動のリアルタイム短期予測(流速予測)において, 繰り返し型ニューラルネットワークの予測能力について検討した。具体的には, 連続ニューラルネットワーク, 長期記憶, ゲート再帰単位モデルの性能を, 自走型駆逐艦型船体を船尾に配置した船体7の数値流体力学シミュレーションから得られたデータを用いて評価し, 比較した。入射波の時系列、船の動き、舵角、および浸漬プローブは、現在のキャスティング問題の変数として使用される。目標は,約20秒前の予測を取得することだ。全体として、3つの手法は有望で同等の結果をもたらす。

関連論文リスト

Continual Learning of Range-Dependent Transmission Loss for Underwater Acoustic using Conditional Convolutional Neural Net [0.0]
本研究では,遠方界シナリオにおける水中放射音予測のための深層学習モデルの精度向上を目的としている。そこで本稿では,海洋浴量測定データを入力に組み込んだ新しいレンジ条件畳み込みニューラルネットワークを提案する。提案アーキテクチャは, 帯域依存性の異なる様々な浴量測定プロファイル上での透過損失を効果的に捕捉する。
論文参考訳（メタデータ） (2024-04-11T19:13:38Z)
Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文参考訳（メタデータ） (2023-06-06T07:07:54Z)
A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文参考訳（メタデータ） (2023-01-24T08:39:20Z)
A Data Driven Method for Multi-step Prediction of Ship Roll Motion in High Sea States [15.840386459188169]
本稿では, 海上における船の転がり動作の多段階予測を実現するための新しいデータ駆動手法を提案する。 ConvLSPTMNetと呼ばれるハイブリッドニューラルネットワークは、長い短期記憶(LSTM)と1次元畳み込みニューラルネットワーク(CNN)を実行するために提案されている。その結果, ロール動作の多段階予測において, ConvNetはLSTM法やCNN法よりも精度が高いことがわかった。
論文参考訳（メタデータ） (2022-07-26T06:26:00Z)
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)
Slow-varying Dynamics Assisted Temporal Capsule Network for Machinery Remaining Useful Life Estimation [17.779154105635012]
Capsule Network(CapsNet)は、典型的な畳み込みニューラルネットワークに代わる有望な代替手段として機能する。 CapsNetは、劣化した機械装置から測定されたラン・トゥ・フェイル・タイム・シリーズの長期的時間的相関を捉えられなかった。本研究では,緩やかな変動のダイナミクスと時間的ダイナミクスを同時に学習するために,緩やかな変化のダイナミクス支援型テンポラルカプセルネット(SD-TemCapsNet)を提案する。
論文参考訳（メタデータ） (2022-03-30T14:52:07Z)
Data-Driven System Identification of 6-DoF Ship Motion in Waves with Neural Networks [0.0]
現在の波動環境と船の状態から船の応答の短期的予測は、有人・無人船の意思決定の強化を可能にした。長い短期記憶(LSTM)ニューラルネットワークを用いて開発され、フリーランのデビッド・テイラー・モデル・ベースン(DTMB)5415駆逐艦の動作を表現する。波高の時間履歴は、推定された遭遇フレームと共に移動し、ニューラルネットワークへの入力として機能する人工波プローブによって与えられ、出力は6-DOFの時間的船動応答である。
論文参考訳（メタデータ） (2021-11-02T17:51:35Z)
Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文参考訳（メタデータ） (2021-03-11T15:21:08Z)
Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文参考訳（メタデータ） (2020-11-23T05:42:20Z)
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)
Liquid Time-constant Networks [117.57116214802504]
本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
論文参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。