論文の概要: Machine Learning Detection Algorithm for Large Barkhausen Jumps in Cluttered Environment

• arxiv url: http://arxiv.org/abs/2106.14148v1
• Date: Sun, 27 Jun 2021 05:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 13:48:59.353116
• Title: Machine Learning Detection Algorithm for Large Barkhausen Jumps in Cluttered Environment
• Title（参考訳）: クラッタ環境における大型バルクハウゼンジャンプの機械学習検出アルゴリズム
• Authors: Roger Alimi, Amir Ivry, Elad Fisher, Eyal Weiss
• Abstract要約: 低出力のフラックスゲートは、フラックスゲート出力のdcジャンプとして現れる大きなバルクハウゼンジャンプを持つ傾向がある。 dcジャンプは、ほとんどすべてのセンサーコアで持続するが、遅いがまだ耐え難い速度である。 本研究は,自然磁場データに埋め込まれたdcジャンプを識別するアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.5293427903448022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern magnetic sensor arrays conventionally utilize state of the art low power magnetometers such as parallel and orthogonal fluxgates. Low power fluxgates tend to have large Barkhausen jumps that appear as a dc jump in the fluxgate output. This phenomenon deteriorates the signal fidelity and effectively increases the internal sensor noise. Even if sensors that are more prone to dc jumps can be screened during production, the conventional noise measurement does not always catch the dc jump because of its sparsity. Moreover, dc jumps persist in almost all the sensor cores although at a slower but still intolerable rate. Even if dc jumps can be easily detected in a shielded environment, when deployed in presence of natural noise and clutter, it can be hard to positively detect them. This work fills this gap and presents algorithms that distinguish dc jumps embedded in natural magnetic field data. To improve robustness to noise, we developed two machine learning algorithms that employ temporal and statistical physical-based features of a pre-acquired and well-known experimental data set. The first algorithm employs a support vector machine classifier, while the second is based on a neural network architecture. We compare these new approaches to a more classical kernel-based method. To that purpose, the receiver operating characteristic curve is generated, which allows diagnosis ability of the different classifiers by comparing their performances across various operation points. The accuracy of the machine learning-based algorithms over the classic method is highly emphasized. In addition, high generalization and robustness of the neural network can be concluded, based on the rapid convergence of the corresponding receiver operating characteristic curves.
• Abstract（参考訳）: 現代の磁気センサアレイは従来、並列磁束ゲートや直交磁束ゲートなどの低消費電力磁力計の状態を利用していた。 低出力フラックスゲートは、フラックスゲート出力の直流ジャンプとして現れる大きなバルクハウゼンジャンプを持つ傾向がある。 この現象は信号の忠実度を低下させ、内部センサノイズを効果的に増加させる。 製造中にdcジャンプの傾向が強いセンサーをスクリーニングしても、従来のノイズ測定は、その間隔のために常にdcジャンプをキャッチするとは限らない。 さらに、dcジャンプはほとんど全てのセンサーコアで持続するが、遅いが耐え難い速度である。 遮蔽環境においてdcジャンプが容易に検出可能であっても,自然騒音やクラッタの存在下での展開においては,それを積極的に検出することは困難である。 この研究はこのギャップを埋め、自然磁場データに埋め込まれたdcジャンプを識別するアルゴリズムを提案する。 雑音に対するロバスト性を改善するために,事前取得およびよく知られた実験データセットの時間的および統計的物理的特徴を利用する2つの機械学習アルゴリズムを開発した。 第1のアルゴリズムはサポートベクターマシン分類器を使用し、第2のアルゴリズムはニューラルネットワークアーキテクチャに基づいている。 これらの新しいアプローチを、より古典的なカーネルベースの手法と比較する。 その目的のために、異なる分類器の診断能力を有する受信特性曲線を生成し、その性能を様々な操作点間で比較する。 古典的手法よりも機械学習に基づくアルゴリズムの精度が強調されている。 さらに、対応する受信者の動作特性曲線の急速な収束に基づいて、ニューラルネットワークの高一般化と堅牢性が結論づけられる。

関連論文リスト

• Quantized Non-Volatile Nanomagnetic Synapse based Autoencoder for Efficient Unsupervised Network Anomaly Detection [0.07892577704654172]
  ハードウェア,エネルギ,計算資源の制限により,リアルタイムに学習可能なエッジデバイスにオートエンコーダを実装することは困難であることを示す。 自己エンコーダのシナプスとして磁区壁(DW)をホストするノッチを用いた強磁性競馬場を提案する。 我々のDWベースのアプローチは、浮動小数点法と比較して、トレーニング中の重量更新の少なくとも3桁の顕著な減少を示す。
  論文  参考訳（メタデータ） (2023-09-12T02:29:09Z)
• Quantile LSTM: A Robust LSTM for Anomaly Detection In Time Series Data [0.0]
  我々は、時間的長期依存性をモデル化するために、人気のあるLong Short Term Memory Network (LSTM) アーキテクチャで新しい学習可能なアクティベーション関数を使用する。 提案アルゴリズムは、分離フォレスト(iForest)、楕円エンベロープ、オートエンコーダ、およびDeep Autoencoding Gaussian Mixture Model (DAGMM)、Generative Adversarial Networks (GAN)のような現代のディープラーニングモデルなど、他のよく知られた異常検出アルゴリズムと比較される。 このアルゴリズムは、Yahoo、AWS、GE、マシンセンサーなど、複数の産業時系列データセットでテストされている。
  論文  参考訳（メタデータ） (2023-02-17T06:03:16Z)
• A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive Coding Networks [65.34977803841007]
  予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。 シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
  論文  参考訳（メタデータ） (2022-11-16T00:11:04Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Source-Agnostic Gravitational-Wave Detection with Recurrent Autoencoders [0.0]
  本稿では, レーザ干渉計における重力波信号検出問題に対する, ディープリカレントオートエンコーダに基づく異常検出手法の適用について述べる。 ノイズデータに基づいて訓練されたこのアルゴリズムは、特定の種類のソースを標的にすることなく、教師なしの戦略を用いて信号を検出することができる。
  論文  参考訳（メタデータ） (2021-07-27T09:56:49Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
  フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。 いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
  論文  参考訳（メタデータ） (2021-03-01T08:25:26Z)
• Noise-robust classification of single-shot electron spin readouts using a deep neural network [2.9123559461323016]
  量子点接触や量子ドットといった電荷センサによる電荷状態とスピン状態の単発読み出しは、半導体スピン量子ビットの動作に欠かせない技術である。 ディープニューラルネットワーク(DNN)を用いたノイズに頑健な単一ショット読み出し分類法を提案する。 本研究では,ディープニューラルネットワーク(DNN)を用いたノイズに頑健な単一ショット読み出し分類法を提案する。
  論文  参考訳（メタデータ） (2020-12-20T04:26:40Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)

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。