論文の概要: Generative Wind Power Curve Modeling Via Machine Vision: A Self-learning
Deep Convolutional Network Based Method
- arxiv url: http://arxiv.org/abs/2109.00894v1
- Date: Thu, 19 Aug 2021 05:18:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-05 11:18:35.939370
- Title: Generative Wind Power Curve Modeling Via Machine Vision: A Self-learning
Deep Convolutional Network Based Method
- Title（参考訳）: 機械ビジョンを用いた風力発電曲線生成モデル:自己学習型深層畳み込みネットワークに基づく手法
- Authors: Luoxiao Yang, Long Wang and Zijun Zhang
- Abstract要約: 本稿では、データ前処理を必要とせず、自動WPCモデル生成のための新しい自己学習型U-net(STU-net)を提案する。
十分に多様化したトレーニングサンプルを開発するために、WPCを表現したS字型関数のセットに基づいて、監視制御とデータ取得(SCADA)データを合成する。
そして、I_xから回復するI_wpcを近似するためにU-netを開発し、I_wpcを正常に生成する。
- 参考スコア（独自算出の注目度）: 5.999374859519529
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper develops a novel self-training U-net (STU-net) based method for
the automated WPC model generation without requiring data pre-processing. The
self-training (ST) process of STU-net has two steps. First, different from
traditional studies regarding the WPC modeling as a curve fitting problem, in
this paper, we renovate the WPC modeling formulation from a machine vision
aspect. To develop sufficiently diversified training samples, we synthesize
supervisory control and data acquisition (SCADA) data based on a set of S-shape
functions depicting WPCs. These synthesized SCADA data and WPC functions are
visualized as images and paired as training samples(I_x, I_wpc). A U-net is
then developed to approximate the model recovering I_wpc from I_x. The
developed U-net is applied into observed SCADA data and can successfully
generate the I_wpc. Moreover, we develop a pixel mapping and correction process
to derive a mathematical form f_wpc representing I_wpcgenerated previously. The
proposed STU-net only needs to train once and does not require any data
preprocessing in applications. Numerical experiments based on 76 WTs are
conducted to validate the superiority of the proposed method by benchmarking
against classical WPC modeling methods. To demonstrate the repeatability of the
presented research, we release our code at https://github.com/IkeYang/STU-net.
- Abstract（参考訳）: 本稿では、データ前処理を必要とせず、自動WPCモデル生成のための新しい自己学習型U-net(STU-net)を提案する。
STU-netの自己学習(ST)プロセスには2つのステップがある。
まず, 曲線フィッティング問題としてのwpcモデリングに関する従来の研究と異なり, 本論文では, wpcモデリングの定式化を機械ビジョンの側面から再構成する。
十分に多様化したトレーニングサンプルを開発するために、WPCを表現したS字型関数のセットに基づいて、監視制御とデータ取得(SCADA)データを合成する。
これらの合成SCADAデータとWPC関数を画像として視覚化し、トレーニングサンプル(I_x,I_wpc)としてペア化する。
次に、i_xからi_wpcを回収するモデルを近似するu-netを開発する。
開発したU-netをSCADAデータに適用し、I_wpcを正常に生成する。
さらに,以前生成したi_wpcを表す数式f_wpcを導出する画素マッピングと補正プロセスを開発する。
提案されたstu-netは一度だけトレーニングする必要があり、アプリケーションでデータ前処理は必要ない。
76 WT に基づく数値実験を行い,従来の WPC モデリング手法と比較し,提案手法の優位性を検証した。
紹介した研究の再現性を示すために、コードをhttps://github.com/ikeyang/stu-netにリリースします。
関連論文リスト
- NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
NNsightとNDIFは、非常に大きなニューラルネットワークの科学的研究を可能にするために、タンデムで機能する技術である。
NNsightは、遅延リモート実行を導入するためにPyTorchを拡張したオープンソースのシステムである。
NDIFは、NNsightリクエストを実行するスケーラブルな推論サービスで、GPUリソースと事前トレーニングされたモデルを共有することができる。
論文 参考訳（メタデータ） (2024-07-18T17:59:01Z) - Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。
コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。
本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
論文 参考訳（メタデータ） (2024-06-22T11:17:50Z) - MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。
事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。
SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。
我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
論文 参考訳（メタデータ） (2024-03-20T09:17:22Z) - Deep Feature Learning for Wireless Spectrum Data [0.5809784853115825]
本稿では,無線通信クラスタリングのための特徴表現を教師なしで学習する手法を提案する。
自動表現学習は,無線伝送バーストの形状を含む微細なクラスタを抽出できることを示す。
論文 参考訳（メタデータ） (2023-08-07T12:27:19Z) - DINOv2: Learning Robust Visual Features without Supervision [75.42921276202522]
この研究は、既存の事前学習手法、特に自己教師付き手法が、多様なソースから十分なキュレートされたデータで訓練すれば、そのような特徴を生み出すことができることを示している。
技術的な貢献の多くは、大規模なトレーニングを加速し、安定化することを目的としています。
データの観点からは、自己組織化されていないデータではなく、専用で多様でキュレートされた画像データセットを構築するための自動パイプラインを提案する。
論文 参考訳（メタデータ） (2023-04-14T15:12:19Z) - Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI
Data with Self-Supervised Machine Learning [2.8167227950959206]
教師付き学習の魅力的な代替手段として、自己教師型機械学習が登場している。
本稿では,指向性マイクロ構造モデルに適用可能な自己教師型機械学習モデルを実証する。
提案手法は, パラメータ推定と計算時間において, 通常の非線形最小二乗整合と比較して明らかに改善されている。
論文 参考訳（メタデータ） (2022-10-05T15:51:39Z) - Statistical process monitoring of artificial neural networks [1.3213490507208525]
機械学習では、入力と出力の間の学習された関係は、モデルのデプロイの間も有効でなければならない。
本稿では,データストリームの非定常化開始時刻を決定するために,ANNが生成するデータ(埋め込み)の潜在的特徴表現について検討する。
論文 参考訳（メタデータ） (2022-09-15T16:33:36Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - On Training and Evaluation of Neural Network Approaches for Model
Predictive Control [9.8918553325509]
本稿では,制約ニューラルネットワークを用いて実装されたモデル予測制御(MPC)のトレーニングと評価を行うフレームワークである。
モチベーションは、安全クリティカルフィードバック制御システムのリアルタイム最適化を、ニューラルネットワークと最適化層という形で学習されたマッピングに置き換えることである。
論文 参考訳（メタデータ） (2020-05-08T15:37:55Z)
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。