論文の概要: Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model

• arxiv url: http://arxiv.org/abs/2111.00873v1
• Date: Sat, 9 Oct 2021 06:26:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-07 12:02:01.092826
• Title: Probabilistic prediction of the heave motions of a semi-submersible by a deep learning problem model
• Title（参考訳）: 深層学習問題モデルによる半潜水艇のヒーブ運動の確率論的予測
• Authors: Xiaoxian Guo, Xiantao Zhang, Xinliang Tian, Wenyue Lu, Xin Li
• Abstract要約: 深層学習(DL)モデルを拡張し,20～50秒前に浮遊半潜水艇のヒーブ・サージ動作を精度良く予測する。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。
• 参考スコア（独自算出の注目度）: 4.903969235471705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The real-time motion prediction of a floating offshore platform refers to forecasting its motions in the following one- or two-wave cycles, which helps improve the performance of a motion compensation system and provides useful early warning information. In this study, we extend a deep learning (DL) model, which could predict the heave and surge motions of a floating semi-submersible 20 to 50 seconds ahead with good accuracy, to quantify its uncertainty of the predictive time series with the help of the dropout technique. By repeating the inference several times, it is found that the collection of the predictive time series is a Gaussian process (GP). The DL model with dropout learned a kernel inside, and the learning procedure was similar to GP regression. Adding noise into training data could help the model to learn more robust features from the training data, thereby leading to a better performance on test data with a wide noise level range. This study extends the understanding of the DL model to predict the wave excited motions of an offshore platform.
• Abstract（参考訳）: フローティングオフショアプラットフォームにおけるリアルタイムな動き予測は、次の1～2波周期での動きを予測することであり、動き補償システムの性能向上に寄与し、有用な早期警戒情報を提供する。 本研究では,20秒から50秒前に浮かぶ半潜水式浮動翼のヒーブ・サージ運動を精度良く予測できるディープラーニング(dl)モデルを拡張し,ドロップアウト手法を用いて予測時系列の不確かさを定量化する。 推論を数回繰り返すことで、予測時系列の収集はガウス過程(GP)であることが分かる。 ドロップアウトしたdlモデルは内部にカーネルを学習し,学習手順はgp回帰と類似した。 トレーニングデータにノイズを追加することで、トレーニングデータからより堅牢な特徴を学習することが可能になる。 本研究では,オフショアプラットフォームの波動励起運動を予測するために,DLモデルの理解を深める。

関連論文リスト

• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Bayesian Deep Learning for Remaining Useful Life Estimation via Stein Variational Gradient Descent [14.784809634505903]
  本研究では,スタイン変分勾配勾配を用いたベイズ学習モデルが収束速度と予測性能に対して一貫して優れていたことを示す。 ベイズモデルが提供する不確実性情報に基づく性能向上手法を提案する。
  論文  参考訳（メタデータ） (2024-02-02T02:21:06Z)
• Stabilizing Machine Learning Prediction of Dynamics: Noise and Noise-inspired Regularization [58.720142291102135]
  近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。 緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。 トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
  論文  参考訳（メタデータ） (2022-11-09T23:40:52Z)
• DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [78.6363825307044]
  本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。 拡張畳み込みフィルタは日内財務データから関連情報を抽出するのに最適であることを示す。
  論文  参考訳（メタデータ） (2022-09-23T16:13:47Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Learning Accurate Long-term Dynamics for Model-based Reinforcement Learning [7.194382512848327]
  より長い地平線で安定的に予測するために, 状態作用データに対する教師付き学習のための新しいパラメータ化を提案する。 シミュレーションおよび実験によるロボット作業の結果,軌道に基づくモデルにより,より正確な長期予測が得られた。
  論文  参考訳（メタデータ） (2020-12-16T18:47:37Z)
• Predicting heave and surge motions of a semi-submersible with neural networks [4.0097067208724955]
  半潜水艇のヒーブ動作とサージ動作を予測するために,LSTM(Long Short-term memory)に基づく機械学習モデルを開発した。 測定波の助けを借りて、予測は46.5秒を将来まで延長し、平均精度は90%近くになった。
  論文  参考訳（メタデータ） (2020-07-31T11:24:46Z)
• Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron [5.267336573374459]
  横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。 ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。 評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-23T05:32:40Z)
• New Perspectives on the Use of Online Learning for Congestion Level Prediction over Traffic Data [6.664111208927475]
  本研究は時系列データによる分類に焦点を当てる。 非定常現象によって時系列が生成されると、予測されるクラスと系列に関連するパターンは時間とともに進化する。 オンライン学習方法は、時間とともに到着する新しいデータサンプルから漸進的に学習し、データストリームに沿った最終的な変更に対応する。
  論文  参考訳（メタデータ） (2020-03-27T09:44:57Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。