論文の概要: Novel techniques for improvement the NNetEn entropy calculation for
short and noisy time series
- arxiv url: http://arxiv.org/abs/2202.12703v1
- Date: Fri, 25 Feb 2022 14:01:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 14:33:18.342781
- Title: Novel techniques for improvement the NNetEn entropy calculation for
short and noisy time series
- Title（参考訳）: 短・雑音時系列のnnetenエントロピー計算を改善する新しい手法
- Authors: Hanif Heidari and Andrei Velichko
- Abstract要約: エントロピー測度には、時系列の長さや振幅に対する感度、外部ノイズに対するロバスト性などの欠点がある。
NNetEnエントロピー測度はこれらの問題を克服するために導入された。
SNRが30dBを超えると、NNetEnエントロピーの計算誤差が10%を超えないことが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entropy is a fundamental concept of information theory. It is widely used in
the analysis of analog and digital signals. Conventional entropy measures have
drawbacks, such as sensitivity to the length and amplitude of time series and
low robustness to external noise. Recently, the NNetEn entropy measure has been
introduced to overcome these problems. The NNetEn entropy uses a modified
version of the LogNNet neural network classification model. The algorithm
contains a reservoir matrix with N = 19625 elements, which the given time
series should fill. Many practical time series have less than 19625 elements.
Against this background, this paper investigates different duplicating and
stretching techniques for filling to overcome this difficulty. The most
successful technique is identified for practical applications. The presence of
external noise and bias are other important issues affecting the efficiency of
entropy measures. In order to perform meaningful analysis, three time series
with different dynamics (chaotic, periodic, and binary), with a variation of
signal-to-noise ratio (SNR) and offsets, are considered. It is shown that the
error in the calculation of the NNetEn entropy does not exceed 10% when the SNR
exceeds 30 dB. This opens the possibility of measuring the NNetEn of
experimental signals in the presence of noise of various nature, white noise,
or 1/f noise, without the need for noise filtering.
- Abstract（参考訳）: エントロピーは情報理論の基本概念である。
アナログ信号やデジタル信号の解析に広く用いられている。
従来のエントロピー測定では、時系列の長さや振幅に対する感度や外部ノイズに対するロバスト性が低いといった欠点がある。
近年,これらの問題を克服するためにNNetEnエントロピー尺度が導入された。
NNetEnエントロピーは、LogNNetニューラルネットワーク分類モデルの修正版を使用している。
このアルゴリズムは、与えられた時系列が満たすべき n = 19625 要素の貯水池行列を含む。
多くの実用時系列は19625要素未満である。
そこで本研究では, この難易度を克服するために, 補修と伸張の異なる手法について検討する。
最も成功した技術は実用的応用である。
外部ノイズやバイアスの存在は、エントロピー測定の効率に影響を及ぼす他の重要な問題である。
有意義な分析を行うためには,信号対雑音比 (SNR) とオフセットの異なる3つの時系列(カオス,周期,二値)を考える。
SNRが30dBを超えると、NNetEnエントロピーの計算誤差が10%を超えないことが示されている。
これにより、ノイズフィルタリングを必要とせずに、様々な性質、白色雑音、または1/f雑音の存在下で実験信号のNNetEnを測定することが可能となる。
関連論文リスト
- Neural Network Entropy (NNetEn): Entropy-Based EEG Signal and Chaotic
Time Series Classification, Python Package for NNetEn Calculation [0.0]
エントロピー測度は時系列分類問題に有効な特徴である。
システムのカオス力学を特徴づけるためには,新しいエントロピー推定法が必要である。
ニューラルネットワークエントロピー(NNetEn)の概念は,ニューラルネットワークの貯水池に記録された時系列のエントロピーに関連する特別なデータセットの分類に基づいている。
論文 参考訳（メタデータ） (2023-03-31T12:11:21Z) - Approximation Algorithm for Noisy Quantum Circuit Simulation [3.55689240295244]
本稿では,雑音量子回路をシミュレーションするための新しい近似アルゴリズムを提案する。
提案手法は、一般に使われている近似(サンプリング)アルゴリズム -- 量子軌道法を高速化する。
論文 参考訳（メタデータ） (2022-11-30T14:20:22Z) - Incremental Spatial and Spectral Learning of Neural Operators for
Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。
iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。
提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文 参考訳（メタデータ） (2022-11-28T09:57:15Z) - A method for estimating the entropy of time series using artificial
neural network [0.0]
エントロピー測度には 欠点があります 特に 短い連続では
本稿では,LogNNet 784:25:10ニューラルネットワークモデルを用いて時系列のエントロピーを推定する手法を提案する。
論文 参考訳（メタデータ） (2021-07-18T09:31:14Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。
我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文 参考訳（メタデータ） (2021-03-23T09:32:06Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Qubit-efficient entanglement spectroscopy using qubit resets [0.0]
NISQデバイス上でのエンタングルメント分光のための量子ビット効率の量子アルゴリズムを開発した。
我々のアルゴリズムは、ノイズの存在下で同様の性能を保ちながら、従来のどの効率的なアルゴリズムよりも少ない量子ビットを使用する。
また、量子ビットリセット回路に適した標準回路深さの一般化として、有効回路深さの概念を導入する。
論文 参考訳（メタデータ） (2020-10-06T23:22:57Z) - 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) - Robust Processing-In-Memory Neural Networks via Noise-Aware
Normalization [26.270754571140735]
PIM加速器は、しばしば物理的成分の固有のノイズに悩まされる。
雑音設定に対してロバストなニューラルネットワーク性能を実現するためのノイズ非依存手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T06:51:28Z)
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。