論文の概要: End-to-end LSTM based estimation of volcano event epicenter localization

• arxiv url: http://arxiv.org/abs/2110.14594v1
• Date: Wed, 27 Oct 2021 17:11:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 15:36:53.157010
• Title: End-to-end LSTM based estimation of volcano event epicenter localization
• Title（参考訳）: エンド・ツー・エンドLSTMによる火山イベントの震源位置推定
• Authors: Nestor Becerra Yoma, Jorge Wuth, Andres Pinto, Nicolas de Celis, Jorge Celis, Fernando Huenupan
• Abstract要約: 火山イベントの局所化問題に対処するために, エンドツーエンドのLSTMスキームを提案する。 LSTMは、時間変化の信号のダイナミクスを捉えることができるため、選択された。 その結果、LSTMベースのアーキテクチャは成功率、すなわち1.0Km未満のエラーが48.5%に等しいことを示した。
• 参考スコア（独自算出の注目度）: 55.60116686945561
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, an end-to-end based LSTM scheme is proposed to address the problem of volcano event localization without any a priori model relating phase picking with localization estimation. It is worth emphasizing that automatic phase picking in volcano signals is highly inaccurate because of the short distances between the event epicenters and the seismograph stations. LSTM was chosen due to its capability to capture the dynamics of time varying signals, and to remove or add information within the memory cell state and model long-term dependencies. A brief insight into LSTM is also discussed here. The results presented in this paper show that the LSTM based architecture provided a success rate, i.e., an error smaller than 1.0Km, equal to 48.5%, which in turn is dramatically superior to the one delivered by automatic phase picking. Moreover, the proposed end-to-end LSTM based method gave a success rate 18% higher than CNN.
• Abstract（参考訳）: 本稿では, 火山イベントの局所化問題に対して, 位相選択と局所化推定を関連づけた事前モデルを持たずに, エンドツーエンドのLSTM方式を提案する。 イベント震源と地震観測所の間の距離が短いため、火山信号の自動位相ピッキングは不正確なことが強調に値する。 LSTMは、時間変化の信号のダイナミクスを捉え、メモリセルの状態内で情報を削除または追加し、長期依存をモデル化する能力によって選択された。 LSTMに関する簡単な知見もここにある。 この結果から,lstmベースのアーキテクチャは成功率,すなわち1.0km未満のエラーは48.5%であり,自動フェーズピッキングによるものよりも劇的に優れていることがわかった。 さらに,提案手法はcnnよりも18%高い成功率を示した。

関連論文リスト

• BiLSTM and Attention-Based Modulation Classification of Realistic Wireless Signals [2.0650230600617534]
  提案モデルでは,無線信号の複数の表現をネットワークへの入力として利用する。 BiLSTM層の後、重要な時間的特徴を強調するために注意層が使用される。 最近のリアルなRML22データセットの実験結果は、提案モデルの性能が99%の精度で向上したことを示している。
  論文  参考訳（メタデータ） (2024-08-14T01:17:19Z)
• Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
  量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。 関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。 量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-21T21:40:47Z)
• Object Location Prediction in Real-time using LSTM Neural Network and Polynomial Regression [0.0]
  本稿では,物体位置座標の予測と補間を行うシステムの設計と実装について述べる。 我々のソリューションは、Long Short-Term Memory(LSTM)ニューラルネットワークと回帰による慣性測定とグローバルな位置決めシステムデータに基づく。
  論文  参考訳（メタデータ） (2023-11-23T12:03:02Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• Landslide Susceptibility Prediction Modeling Based on Self-Screening Deep Learning Model [9.7723814375467]
  本稿では,自己スクリーニンググラフ畳み込みネットワークと長期記憶ネットワーク(SGCN-LSTM)を提案する。 設定しきい値間隔外において大きな誤差の地すべりサンプルを自己スクリーニング網で除去する。 環境要因間の非線形関係は空間ノードと時系列の両方から抽出できる。
  論文  参考訳（メタデータ） (2023-04-12T10:31:03Z)
• Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads [5.259027520298188]
  交通量と速度を同時に予測するために,注意に基づくLong Sort-Term Memory Model (A-LSTM)を提案する。 本研究では,A-LSTMモデルとLong Short-Term Memory (LSTM)モデルを比較した。
  論文  参考訳（メタデータ） (2023-01-06T22:23:57Z)
• Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
  長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。 本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
  論文  参考訳（メタデータ） (2022-08-28T17:50:19Z)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)
• Ensemble long short-term memory (EnLSTM) network [0.456877715768796]
  本稿では,小さなデータセットでトレーニングし,逐次データを処理するアンサンブル長短期記憶(EnLSTM)ネットワークを提案する。 EnLSTMは平均2乗誤差(MSE)を34%削減したウェルログを生成する最先端モデルであることが証明されている。
  論文  参考訳（メタデータ） (2020-04-26T05:42:18Z)

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。