論文の概要: Convolutional versus Dense Neural Networks: Comparing the Two Neural
Networks Performance in Predicting Building Operational Energy Use Based on
the Building Shape
- arxiv url: http://arxiv.org/abs/2108.12929v1
- Date: Sun, 29 Aug 2021 22:39:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 23:31:16.121866
- Title: Convolutional versus Dense Neural Networks: Comparing the Two Neural
Networks Performance in Predicting Building Operational Energy Use Based on
the Building Shape
- Title(参考訳): 畳み込みと高密度ニューラルネットワーク:建物形状に基づく運転エネルギー利用予測における2つのニューラルネットワーク性能の比較
- Authors: Farnaz Nazari and Wei Yan
- Abstract要約: 本稿では,DNN(Dense Neural Network, DNN)とCNN(Convolutional Neural Network, CNN)の2つの異なるニューラルネットワークの適用性を評価する。
2つのニューラルネットワークの比較は、DNNモデルがパフォーマンス、単純性、時間においてCNNモデルを上回ることを示している。
- 参考スコア(独自算出の注目度): 3.4461633417989184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A building self-shading shape impacts substantially on the amount of direct
sunlight received by the building and contributes significantly to building
operational energy use, in addition to other major contributing variables, such
as materials and window-to-wall ratios. Deep Learning has the potential to
assist designers and engineers by efficiently predicting building energy
performance. This paper assesses the applicability of two different neural
networks structures, Dense Neural Network (DNN) and Convolutional Neural
Network (CNN), for predicting building operational energy use with respect to
building shape. The comparison between the two neural networks shows that the
DNN model surpasses the CNN model in performance, simplicity, and computation
time. However, image-based CNN has the benefit of utilizing architectural
graphics that facilitates design communication.
- Abstract(参考訳): 建物自己遮蔽形状は、建物が受ける直射日光量に実質的に影響し、材料や窓対壁比などの他の主要な寄与変数に加えて、運用エネルギー利用の構築に大きく寄与する。
Deep Learningは、エネルギーのパフォーマンスを効率的に予測することで、デザイナーやエンジニアを支援する可能性がある。
本稿では,DNN(Dense Neural Network, DNN)とCNN(Convolutional Neural Network, CNN)の2つの異なるニューラルネットワーク構造の適用性を評価する。
2つのニューラルネットワークの比較は、DNNモデルがCNNモデルを上回る性能、単純さ、計算時間を示している。
しかし、画像ベースのcnnはデザインコミュニケーションを容易にするアーキテクチャグラフィックスを利用する利点がある。
関連論文リスト
- Mobile Traffic Prediction at the Edge through Distributed and Transfer
Learning [2.687861184973893]
このトピックの研究は、異なるネットワーク要素からデータを収集することによって、中央集権的な予測を行うことに集中している。
本研究では,エッジ上で得られたデータセットを大規模計測キャンペーンで活用するエッジコンピューティングに基づく新しい予測フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-22T23:48:13Z) - CP-CNN: Core-Periphery Principle Guided Convolutional Neural Network [9.015666133509857]
我々は、ネットワーク配線パターンの設計と畳み込み操作のスパーシフィケーションにコア周辺原理を実装した。
私たちの研究は、人間の脳からの洞察をニューラルネットワークの設計に取り入れることで、脳にインスパイアされたAIの分野の成長に寄与します。
論文 参考訳(メタデータ) (2023-03-27T03:59:43Z) - Energy Consumption of Neural Networks on NVIDIA Edge Boards: an
Empirical Model [6.809944967863927]
近年、レイテンシの低減とデータプライバシの保護のために、ディープラーニング推論タスクの実行を、ユーザに近いネットワークのエッジにシフトする傾向があります。
本研究では,現代のエッジノードにおける推論タスクのエネルギ消費をプロファイリングすることを目的とする。
そこで我々は, 検討ボード上である推論タスクのエネルギー消費を推定できる, 単純で実用的なモデルを構築した。
論文 参考訳(メタデータ) (2022-10-04T14:12:59Z) - Basic Binary Convolution Unit for Binarized Image Restoration Network [146.0988597062618]
本研究では,画像復元作業における残差接続,BatchNorm,アクティベーション機能,構造などのバイナリ畳み込みのコンポーネントを再検討する。
本研究の成果と分析に基づいて, 単純で効率的な基本二元畳み込みユニット (BBCU) を設計した。
我々のBBCUは、他のBNNや軽量モデルよりも大幅に優れており、BBCUがバイナライズされたIRネットワークの基本ユニットとして機能することを示しています。
論文 参考訳(メタデータ) (2022-10-02T01:54:40Z) - Universal approximation property of invertible neural networks [76.95927093274392]
Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。
その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
論文 参考訳(メタデータ) (2022-04-15T10:45:26Z) - Comparison Analysis of Traditional Machine Learning and Deep Learning
Techniques for Data and Image Classification [62.997667081978825]
本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。
まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。
次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
論文 参考訳(メタデータ) (2022-04-11T11:34:43Z) - An Intelligent End-to-End Neural Architecture Search Framework for
Electricity Forecasting Model Development [4.046469579070493]
本稿では、時系列電気予測モデルの開発のためのインテリジェント自動アーキテクチャサーチ(IAAS)フレームワークを提案する。
提案フレームワークは,ネットワーク関数保存変換操作と強化学習(RL)に基づくネットワーク変換制御という,2つの主要コンポーネントを含む。
提案したIAASフレームワークは,精度と安定性の予測において,既存の10のモデルや手法を著しく上回っていることを実証する。
論文 参考訳(メタデータ) (2022-03-25T10:36:27Z) - Event-based Video Reconstruction via Potential-assisted Spiking Neural
Network [48.88510552931186]
バイオインスパイアされたニューラルネットワークは、イベント駆動ハードウェア上での計算効率の向上につながる可能性がある。
完全スパイキングニューラルネットワーク(EVSNN)に基づくイベントベースビデオ再構成フレームワークを提案する。
スパイクニューロンは、そのような時間依存タスクを完了させるために有用な時間情報(メモリ)を格納する可能性がある。
論文 参考訳(メタデータ) (2022-01-25T02:05:20Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳(メタデータ) (2020-05-14T09:02:33Z) - Binarizing MobileNet via Evolution-based Searching [66.94247681870125]
そこで本稿では,MobileNet をバイナライズする際の構築と訓練を容易にするための進化的探索手法を提案する。
ワンショットアーキテクチャ検索フレームワークに着想を得て、グループ畳み込みのアイデアを操り、効率的な1ビット畳み込みニューラルネットワーク(CNN)を設計する。
我々の目標は、グループ畳み込みの最良の候補を探索することで、小さなが効率的なバイナリニューラルアーキテクチャを考案することである。
論文 参考訳(メタデータ) (2020-05-13T13:25:51Z) - Adaptive Explainable Neural Networks (AxNNs) [8.949704905866888]
我々は、予測性能とモデル解釈可能性の両目標を達成するために、Adaptive Explainable Neural Networks (AxNN) と呼ばれる新しいフレームワークを開発した。
予測性能向上のために,一般化された付加的モデルネットワークと付加的インデックスモデルからなる構造化ニューラルネットワークを構築した。
本稿では,AxNNの結果を主効果と高次相互作用効果に分解する方法を示す。
論文 参考訳(メタデータ) (2020-04-05T23:40:57Z)
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。