論文の概要: Physics-Informed Deep Monte Carlo Quantile Regression method for Interval Multilevel Bayesian Network-based Satellite Heat Reliability Analysis

• arxiv url: http://arxiv.org/abs/2202.06860v1
• Date: Mon, 14 Feb 2022 16:43:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 18:19:16.291305
• Title: Physics-Informed Deep Monte Carlo Quantile Regression method for Interval Multilevel Bayesian Network-based Satellite Heat Reliability Analysis
• Title（参考訳）: 多層ベイズネットワークを用いた衛星熱信頼性解析のための物理計算による深モンテカルロ四元数回帰法
• Authors: Xiaohu Zheng, Wen Yao, Zhiqiang Gong, Yunyang Zhang, Xiaoya Zhang
• Abstract要約: 提案手法は、深部畳み込みニューラルネットワークと既知の物理知識を組み合わせて、正確な温度場を再構築する。 本論文は、再構成された温度場と定量化アレタリック不確実性に基づいて、衛星熱の信頼性を解析するための間隔多レベルベイズネットワークをモデル化する。
• 参考スコア（独自算出の注目度）: 6.339013443225807
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Temperature field reconstruction is essential for analyzing satellite heat reliability. As a representative machine learning model, the deep convolutional neural network (DCNN) is a powerful tool for reconstructing the satellite temperature field. However, DCNN needs a lot of labeled data to learn its parameters, which is contrary to the fact that actual satellite engineering can only acquire noisy unlabeled data. To solve the above problem, this paper proposes an unsupervised method, i.e., the physics-informed deep Monte Carlo quantile regression method, for reconstructing temperature field and quantifying the aleatoric uncertainty caused by data noise. For one thing, the proposed method combines a deep convolutional neural network with the known physics knowledge to reconstruct an accurate temperature field using only monitoring point temperatures. For another thing, the proposed method can quantify the aleatoric uncertainty by the Monte Carlo quantile regression. Based on the reconstructed temperature field and the quantified aleatoric uncertainty, this paper models an interval multilevel Bayesian Network to analyze satellite heat reliability. Two case studies are used to validate the proposed method.
• Abstract（参考訳）: 衛星熱信頼性解析には, 温度場再構築が不可欠である。 代表的な機械学習モデルとして、深部畳み込みニューラルネットワーク(DCNN)は、衛星温度場を再構築するための強力なツールである。 しかし、DCNNはそのパラメータを学習するために多くのラベル付きデータを必要としており、これは実際の衛星工学がノイズのないラベル付きデータしか取得できないという事実とは対照的である。 そこで本稿では,温度場を再構成し,データノイズによるアレエータ的不確かさを定量化するための非教師なし法である深モンテカルロ量子化回帰法を提案する。 例えば、深層畳み込みニューラルネットワークと既知の物理知識を組み合わせて、観測点温度のみを用いて正確な温度場を再構成する手法を提案する。 もう一つは、モンテカルロ量子化回帰法により、提案手法がアレタリック不確実性を定量化することである。 本論文は、再構成温度場と定量化アレタリック不確実性に基づいて、衛星熱の信頼性を解析するための間隔多レベルベイズネットワークをモデル化する。 提案手法の検証に2つのケーススタディが用いられている。

関連論文リスト

• Continuous Field Reconstruction from Sparse Observations with Implicit Neural Networks [11.139052252214917]
  この研究は、暗黙の神経表現を用いて物理場の連続的な表現を学ぶ新しいアプローチを示す。 実験により,提案手法は最近のINR法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-01-21T22:18:29Z)
• Robust Extraction of Thermal Observables from State Sampling and Real-Time Dynamics on Quantum Computers [49.1574468325115]
  我々は、状態の密度、特にその非負性性に制約を課す手法を導入し、この方法で、ノイズのある時系列からボルツマン重みを確実に抽出できることを示す。 本研究により,今日の量子コンピュータにおける時系列アルゴリズムの実装により,多体量子系の有限温度特性の研究が可能となった。
  論文  参考訳（メタデータ） (2023-05-30T18:00:05Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• A physics and data co-driven surrogate modeling approach for temperature field prediction on irregular geometric domain [12.264200001067797]
  本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。 数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-03-15T08:43:24Z)
• Deep Monte Carlo Quantile Regression for Quantifying Aleatoric Uncertainty in Physics-informed Temperature Field Reconstruction [8.98674326282801]
  本稿では,温度場を再構成するディープMC-QR(Deep MC-QR)法を提案する。 一方,Deep MC-QR法は物理知識を用いてCNNのトレーニングを指導する。 一方、Deep MC-QR法は、各トレーニングエポックにおける各入力に対する量子レベル画像を構築する。
  論文  参考訳（メタデータ） (2022-02-14T10:36:52Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Transfer Learning with Convolutional Networks for Atmospheric Parameter Retrieval [14.131127382785973]
  MetOp衛星シリーズに搭載された赤外線音波干渉計(IASI)は、数値気象予測(NWP)に重要な測定値を提供する IASIが提供する生データから正確な大気パラメータを取得することは大きな課題であるが、NWPモデルでデータを使用するには必要である。 本研究では,iasiデータから抽出した特徴を,低い高度で異なる物理変数を予測するように設計された別の統計手法への入力として使用できることを示す。
  論文  参考訳（メタデータ） (2020-12-09T09:28:42Z)
• Restricted Boltzmann Machine Flows and The Critical Temperature of Ising models [0.0]
  Boltzmann Machines (RBM) からの反復サンプリング(フロー)のための代替実験装置について検討する。 このフレームワークは、RBMベースのディープニューラルネットワークとRenormalization Group(RG)の間の接続を探索するために導入された。
  論文  参考訳（メタデータ） (2020-06-17T21:59:00Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。