論文の概要: Dynamical System Parameter Identification using Deep Recurrent Cell Networks

• arxiv url: http://arxiv.org/abs/2107.02427v1
• Date: Tue, 6 Jul 2021 07:04:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-07 13:55:44.100673
• Title: Dynamical System Parameter Identification using Deep Recurrent Cell Networks
• Title（参考訳）: ディープリカレントセルネットワークを用いた動的システムパラメータ同定
• Authors: Erdem Akag\"und\"uz and Oguzhan Cifdaloz
• Abstract要約: 本研究では,動的システムにおけるパラメータ同定問題について,ディープラーニング手法を用いて検討する。 異なるリカレントセルを持つ6層ディープニューラルネットワークを利用することで、有効なディープリカレントアーキテクチャを探索する。 文献ではこれまでこの課題に利用されなかったが,BiLSTM( bidirectional gated recurrent cells)により,パラメータ同定の精度が向上した。
• 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: In this paper, we investigate the parameter identification problem in dynamical systems through a deep learning approach. Focusing mainly on second-order, linear time-invariant dynamical systems, the topic of damping factor identification is studied. By utilizing a six-layer deep neural network with different recurrent cells, namely GRUs, LSTMs or BiLSTMs; and by feeding input-output sequence pairs captured from a dynamical system simulator, we search for an effective deep recurrent architecture in order to resolve damping factor identification problem. Our study results show that, although previously not utilized for this task in the literature, bidirectional gated recurrent cells (BiLSTMs) provide better parameter identification results when compared to unidirectional gated recurrent memory cells such as GRUs and LSTM. Thus, indicating that an input-output sequence pair of finite length, collected from a dynamical system and when observed anachronistically, may carry information in both time directions for prediction of a dynamical systems parameter.
• Abstract（参考訳）: 本稿では,動的システムのパラメータ同定問題について,ディープラーニング手法を用いて検討する。 主に2階線形時間不変力学系に着目し,減衰因子の同定について検討した。 GRUs,LSTMs,BiLSTMsなど,異なるリカレントセルを持つ6層ディープニューラルネットワークを利用して,動的システムシミュレータから取得した入力-出力シーケンスペアを入力することにより,減衰係数の同定問題を解決する効果的なディープ・リカレント・アーキテクチャを探索する。 文献ではこれまでこの課題に利用されなかったが, 双方向ゲートリカレントセル(BiLSTM)は, GRUやLSTMのような一方向ゲートリカレントメモリセルと比較して, より優れたパラメータ同定結果を提供する。 したがって、有限長の入力出力シーケンス対が力学系から収集され、時間的に観測されると、動的系パラメータの予測のために両方の時間方向の情報を運ぶことができる。

関連論文リスト

• Learning Nonautonomous Systems via Dynamic Mode Decomposition [0.0]
  動的モード分解(DMD)に基づく時間依存入力を持つ未知の非線形力学系に対するデータ駆動学習手法を提案する。 時間依存クープマン演算子を非正則系に近似することの難しさを回避するため、修正されたシステムは元の非正則系の近似として用いられる。
  論文  参考訳（メタデータ） (2023-06-27T16:58:26Z)
• Active RIS-aided EH-NOMA Networks: A Deep Reinforcement Learning Approach [66.53364438507208]
  アクティブな再構成可能なインテリジェントサーフェス(RIS)支援マルチユーザダウンリンク通信システムについて検討した。 非直交多重アクセス(NOMA)はスペクトル効率を向上させるために使用され、活性RISはエネルギー回収(EH)によって駆動される。 ユーザの動的通信状態を予測するために,高度なLSTMベースのアルゴリズムを開発した。 増幅行列と位相シフト行列RISを結合制御するためにDDPGに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-11T13:16:28Z)
• Data-Driven Response Regime Exploration and Identification for Dynamical Systems [0.0]
  Data-Driven Response Regime Exploration and Identification (DR$2$EI)は、動的システムの応答状態を特定し分類するための、新しく完全にデータ駆動の手法である。 DR$2$EIは教師なし学習アルゴリズムを用いてシステムの応答をシステム分類を容易にする埋め込み空間に変換する。 DR$2$EI法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-04-07T00:11:49Z)
• A critical look at deep neural network for dynamic system modeling [0.0]
  本稿では,入力出力データを用いた動的システムのモデリングにおける(深度)ニューラルネットワークの能力に疑問を呈する。 線形時間不変(LTI)力学系の同定には、2つの代表的なニューラルネットワークモデルを比較する。 LTIシステムでは、LSTMとCFNNはノイズのないケースでも一貫したモデルを提供できない。
  論文  参考訳（メタデータ） (2023-01-27T09:03:05Z)
• Deep transfer learning for system identification using long short-term memory neural networks [0.0]
  本稿では,パラメータの微調整と凍結という2種類のディープトランスファー学習を用いて,システム識別のためのデータと計算要件を削減することを提案する。 その結果,直接学習と比較して学習の10%から50%が高速化され,データや計算資源も節約されることがわかった。
  論文  参考訳（メタデータ） (2022-04-06T23:39:06Z)
• Self-Gated Memory Recurrent Network for Efficient Scalable HDR Deghosting [59.04604001936661]
  本稿では,任意の長さの動的シーケンスを浮き彫りにする新しいネットワーク型HDRデゴースト法を提案する。 本稿では,SGM(Self-Gated Memory)セルという新たなリカレントセルアーキテクチャを導入する。 提案手法は,既存の3つの公開データセットを定量的に比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-24T12:36:33Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Deep learning-based reduced order models in cardiac electrophysiology [0.0]
  深層学習 (DL) アルゴリズムを利用して, 高精度かつ効率的な縮小順序モデル (ROM) を得る新しい非線形手法を提案する。 我々のDLアプローチは、ディープフィードフォワードニューラルネットワーク(NN)と畳み込みオートエンコーダ(AE)を組み合わせたものです。 提案するDL-ROMフレームワークは, パラメタライズド電気生理学問題の解法を効率よく提供できることを示し, 病理症例における多シナリオ解析を可能にした。
  論文  参考訳（メタデータ） (2020-06-02T23:05:03Z)

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。