論文の概要: On the application of generative adversarial networks for nonlinear modal analysis

• arxiv url: http://arxiv.org/abs/2203.01229v1
• Date: Wed, 2 Mar 2022 16:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-03-03 15:59:44.377015
• Title: On the application of generative adversarial networks for nonlinear modal analysis
• Title（参考訳）: 逆数生成ネットワークの非線形モーダル解析への応用について
• Authors: G. Tsialiamanis, M.D. Champneys, N. Dervilis, D.J. Wagg, K. Worden
• Abstract要約: 非線形モーダル解析を行うための機械学習手法を提案する。 このスキームは、潜在モーダル空間から自然な座標空間への1対1の写像を定義することに重点を置いている。 このマッピングは、最近開発されたサイクル一貫性のある生成的敵ネットワーク(cycle-GAN)とニューラルネットワークのアセンブリを使用して達成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Linear modal analysis is a useful and effective tool for the design and analysis of structures. However, a comprehensive basis for nonlinear modal analysis remains to be developed. In the current work, a machine learning scheme is proposed with a view to performing nonlinear modal analysis. The scheme is focussed on defining a one-to-one mapping from a latent `modal' space to the natural coordinate space, whilst also imposing orthogonality of the mode shapes. The mapping is achieved via the use of the recently-developed cycle-consistent generative adversarial network (cycle-GAN) and an assembly of neural networks targeted on maintaining the desired orthogonality. The method is tested on simulated data from structures with cubic nonlinearities and different numbers of degrees of freedom, and also on data from an experimental three-degree-of-freedom set-up with a column-bumper nonlinearity. The results reveal the method's efficiency in separating the `modes'. The method also provides a nonlinear superposition function, which in most cases has very good accuracy.
• Abstract（参考訳）: 線形様相解析は構造物の設計と解析に有用で効果的なツールである。 しかし、非線形モーダル解析の包括的基盤は開発されていない。 本研究では,非線形モード解析を行うための機械学習手法を提案する。 このスキームは、潜む「モーダル」空間から自然座標空間への1対1のマッピングを定義することに集中し、モード形状の直交性も記述する。 このマッピングは、最近開発されたサイクル一貫性のある生成対向ネットワーク(cycle-GAN)と、所望の直交性を維持することを目的としたニューラルネットワークの集合を用いて達成される。 本手法は,立方非線形性および自由度が異なる構造物のシミュレーションデータと,カラムバマン非線形性を用いた実験3自由度データについて検証した。 その結果, 'モード' を分離する手法の効率性が明らかになった。 この手法は非線形重ね合わせ関数も提供しており、ほとんどの場合非常に精度が高い。

関連論文リスト

• Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems [17.905596843865705]
  収縮メトリクスは、様々な力学系の安定性、堅牢性、収束性を分析する強力なフレームワークを提供する。 しかしながら、複雑な非線形系に対するこれらの指標の同定は、効果的なツールが欠如しているため、未解決の課題である。 本稿では,離散的スケーラブル非線形システムに対する検証可能な収縮指標について述べる。
  論文  参考訳（メタデータ） (2025-04-23T21:27:32Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
  本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。 異なる時系列変数間の非線形相互作用を含む。 実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
  論文  参考訳（メタデータ） (2023-09-29T11:42:59Z)
• Data-driven Nonlinear Parametric Model Order Reduction Framework using Deep Hierarchical Variational Autoencoder [5.521324490427243]
  深層ニューラルネットワークを用いたデータ駆動パラメトリックモデルオーダー削減(MOR)手法を提案する。 LSH-VAEは、非線形力学系のパラメトリックに対して、かなりの数の自由度で非線形MORを実行することができる。
  論文  参考訳（メタデータ） (2023-07-10T02:44:53Z)
• On the Detection and Quantification of Nonlinearity via Statistics of the Gradients of a Black-Box Model [0.0]
  非線形性の検出と同定は構造力学において重要な課題である。 データ駆動モデルの勾配分布に基づいて非線形性を検出する手法を提案する。
  論文  参考訳（メタデータ） (2023-02-15T23:15:22Z)
• Exploring Linear Feature Disentanglement For Neural Networks [63.20827189693117]
  Sigmoid、ReLU、Tanhなどの非線形活性化関数は、ニューラルネットワーク(NN)において大きな成功を収めた。 サンプルの複雑な非線形特性のため、これらの活性化関数の目的は、元の特徴空間から線形分離可能な特徴空間へサンプルを投影することである。 この現象は、現在の典型的なNNにおいて、すべての特徴がすべての非線形関数によって変換される必要があるかどうかを探求することに興味をそそる。
  論文  参考訳（メタデータ） (2022-03-22T13:09:17Z)
• A Latent Restoring Force Approach to Nonlinear System Identification [0.0]
  この研究は、システムの未知の非線形項の寄与を抽出し同定するためのベイズフィルタに基づくアプローチを提案する。 この手法は、シミュレートされたケーススタディと実験的なベンチマークデータセットの両方で有効であることが示されている。
  論文  参考訳（メタデータ） (2021-09-22T12:21:16Z)
• Towards extraction of orthogonal and parsimonious non-linear modes from turbulent flows [0.0]
  本稿では,非線形モードの最小およびほぼ直交の集合を学習するための深い確率-神経-ネットワークアーキテクチャを提案する。 我々のアプローチは、$beta$-variational autoencoders($beta$-VAEs)と畳み込みニューラルネットワーク(CNNs)に基づいている。
  論文  参考訳（メタデータ） (2021-09-03T13:38:51Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Efficient Semi-Implicit Variational Inference [65.07058307271329]
  効率的でスケーラブルな半単純外挿 (SIVI) を提案する。 本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
  論文  参考訳（メタデータ） (2021-01-15T11:39:09Z)
• Neural Dynamic Mode Decomposition for End-to-End Modeling of Nonlinear Dynamics [49.41640137945938]
  ニューラルネットワークに基づくリフト関数を推定するためのニューラルダイナミックモード分解法を提案する。 提案手法により,予測誤差はニューラルネットワークとスペクトル分解によって逆伝搬される。 提案手法の有効性を,固有値推定と予測性能の観点から実証した。
  論文  参考訳（メタデータ） (2020-12-11T08:34:26Z)
• Eigendecomposition-Free Training of Deep Networks for Linear Least-Square Problems [107.3868459697569]
  我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。 この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。 我々の手法は収束特性が良く、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-04-15T04:29:34Z)

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。