論文の概要: Stable Dynamic Mode Decomposition Algorithm for Noisy Pressure-Sensitive Paint Measurement Data

• arxiv url: http://arxiv.org/abs/2107.11999v1
• Date: Mon, 26 Jul 2021 07:18:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 22:08:31.241924
• Title: Stable Dynamic Mode Decomposition Algorithm for Noisy Pressure-Sensitive Paint Measurement Data
• Title（参考訳）: 騒音感圧塗料測定データに対する安定な動的モード分解アルゴリズム
• Authors: Yuya Ohmichi, Yosuke Sugioka, Kazuyuki Nakakita
• Abstract要約: 本手法の有効性は,シリンダー後流の解析と感圧塗料データを用いて評価した。 固有値に関して、T-TLS DMDはノイズの影響を受けにくく、正確な固有値を安定して得ることができた。 また,標準値と正確なDMDの固有値が減衰側にシフトする問題があることも観察された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we proposed the truncated total least squares dynamic mode decomposition (T-TLS DMD) algorithm, which can perform DMD analysis of noisy data. By adding truncation regularization to the conventional TLS DMD algorithm, T-TLS DMD improves the stability of the computation while maintaining the accuracy of TLS DMD. The effectiveness of the proposed method was evaluated by the analysis of the wake behind a cylinder and pressure-sensitive paint (PSP) data for the buffet cell phenomenon. The results showed the importance of regularization in the DMD algorithm. With respect to the eigenvalues, T-TLS DMD was less affected by noise, and accurate eigenvalues could be obtained stably, whereas the eigenvalues of TLS and subspace DMD varied greatly due to noise. It was also observed that the eigenvalues of the standard and exact DMD had the problem of shifting to the damping side, as reported in previous studies. With respect to eigenvectors, T-TLS and exact DMD captured the characteristic flow patterns clearly even in the presence of noise, whereas TLS and subspace DMD were not able to capture them clearly due to noise.
• Abstract（参考訳）: 本研究では,雑音データのDMD解析が可能なT-TLS DMDアルゴリズムを提案する。 T-TLS DMDは従来のTLS DMDアルゴリズムにトラルニケーション正規化を加えることで、TLS DMDの精度を維持しながら計算の安定性を向上させる。 提案手法の有効性は,シリンダー背後の後流の解析と,ビュッフェ細胞現象に対する圧力感受性塗料(psp)データを用いて評価した。 その結果, DMDアルゴリズムにおける正則化の重要性が示された。 固有値に関しては,T-TLS DMDはノイズの影響を受けにくく,正確な固有値が得られる一方で,TLSとサブスペースDMDの固有値はノイズによって大きく異なる。 また, 標準値と正確なDMDの固有値が減衰側へシフトする問題であったことも, 前報で報告された。 固有ベクトルに関して、T-TLSと正確なDMDはノイズの存在下でも特徴的な流れパターンをはっきりと捉えたが、TLSとサブスペースDMDはノイズのためにそれらをはっきりと捉えられなかった。

関連論文リスト

• Parsimonious Dynamic Mode Decomposition: A Robust and Automated Approach for Optimally Sparse Mode Selection in Complex Systems [0.40964539027092917]
  本稿では,Parsimonious Dynamic Mode Decomposition (parsDMD)を紹介する。 ParsDMDは、時間的および純粋に時間的データの両方に対して最適にスパースされた動的モードのサブセットを自動選択するように設計された新しいアルゴリズムである。 定在波信号、隠れ力学の同定、流体力学シミュレーション、大気表面温度(SST)データなど、さまざまなデータセットで検証されている。
  論文  参考訳（メタデータ） (2024-10-22T03:00:11Z)
• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• Quantifying Noise of Dynamic Vision Sensor [49.665407116447454]
  動的視覚センサ(DVS)は、大量のバックグラウンドアクティビティ(BA)ノイズによって特徴付けられる。 標準的な画像処理技術を用いて,ノイズとクリーン化センサ信号とを区別することは困難である。 Detrended Fluctuation Analysis (DFA) から得られたBAノイズを特徴付ける新しい手法が提案されている。
  論文  参考訳（メタデータ） (2024-04-02T13:43:08Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• 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)
• Time-series image denoising of pressure-sensitive paint data by projected multivariate singular spectrum analysis [0.0]
  非定常感圧塗料(PSP)測定データのような時系列データは、かなりの量のランダムノイズを含む可能性がある。 本研究では,多変量特異スペクトル解析(MSSA)と低次元データ表現を組み合わせたノイズ低減手法について検討した。
  論文  参考訳（メタデータ） (2022-03-15T00:49:15Z)
• SDnDTI: Self-supervised deep learning-based denoising for diffusion tensor MRI [0.3694429692322631]
  拡散強調画像(DWI)のノイズはDTI由来の微細構造パラメータの精度と精度を低下させる。 畳み込みニューラルネットワーク(CNN)を用いたディープラーニングに基づく画像認識は、優れた性能を持つが、CNNのトレーニングを監督するためには、高SNRデータを必要とすることが多い。 本研究では,DTIデータに付加的な高SNRデータを必要としない自己教師型深層学習手法「SDnDTI」を開発した。
  論文  参考訳（メタデータ） (2021-11-14T01:36:51Z)
• Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental Systems with Applications to Epidemiological and Additive Manufacturing Problems [58.720142291102135]
  非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。 特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
  論文  参考訳（メタデータ） (2021-10-12T21:42:14Z)
• 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)

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。