論文の概要: Convolutional recurrent autoencoder network for learning underwater ocean acoustics

• arxiv url: http://arxiv.org/abs/2204.05573v1
• Date: Tue, 12 Apr 2022 07:09:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 14:31:17.141747
• Title: Convolutional recurrent autoencoder network for learning underwater ocean acoustics
• Title（参考訳）: 水中音響学習のための畳み込み再帰型オートエンコーダネットワーク
• Authors: Wrik Mallik, Rajeev K. Jaiman and Jasmin Jelovica
• Abstract要約: CRANアーキテクチャは、音響伝搬のためのデータ駆動ディープラーニングモデルである。 CRANは物理データの低次元表現を学習し、システムの進化を効率的に予測することができる。 CRANが複雑な海洋音響現象を学習する能力は、海洋船の意思決定とオンライン制御のリアルタイム予測の可能性を秘めている。
• 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: Underwater ocean acoustics is a complex physical phenomenon involving not only widely varying physical parameters and dynamical scales but also uncertainties in the ocean parameters. Thus, it is difficult to construct generalized physical models which can work in a broad range of situations. In this regard, we propose a convolutional recurrent autoencoder network (CRAN) architecture, which is a data-driven deep learning model for acoustic propagation. Being data-driven it is independent of how the data is obtained and can be employed for learning various ocean acoustic phenomena. The CRAN model can learn a reduced-dimensional representation of physical data and can predict the system evolution efficiently. Two cases of increasing complexity are considered to demonstrate the generalization ability of the CRAN. The first case is a one-dimensional wave propagation with spatially-varying discontinuous initial conditions. The second case corresponds to a far-field transmission loss distribution in a two-dimensional ocean domain with depth-dependent sources. For both cases, the CRAN can learn the essential elements of wave propagation physics such as characteristic patterns while predicting long-time system evolution with satisfactory accuracy. Such ability of the CRAN to learn complex ocean acoustics phenomena has the potential of real-time prediction for marine vessel decision-making and online control.
• Abstract（参考訳）: 水中の海洋音響は複雑な物理現象であり、物理的パラメータや動的スケールだけでなく、海洋のパラメータにも不確かさがある。 したがって、幅広い状況で機能する一般化された物理モデルを構築することは困難である。 本稿では、音響伝搬のためのデータ駆動ディープラーニングモデルである畳み込み再帰型オートエンコーダネットワーク(CRAN)アーキテクチャを提案する。 データ駆動型であり、データの取得方法とは無関係であり、様々な海洋音響現象の学習に利用できる。 CRANモデルは物理データの低次元表現を学習し、システムの進化を効率的に予測することができる。 複雑性が増大する2つのケースは、CRANの一般化能力を示すと考えられている。 最初のケースは、空間的に変化する不連続な初期条件を持つ1次元波動伝搬である。 第2のケースは、深度に依存した2次元海洋ドメインにおける遠距離電界透過損失分布に対応する。 どちらの場合も、CRANは特性パターンのような波動伝播物理の本質的要素を学習し、良好な精度で長期システムの進化を予測することができる。 CRANが複雑な海洋音響現象を学習する能力は、海洋船の決定とオンライン制御のリアルタイム予測の可能性を秘めている。

関連論文リスト

• The Sound of Water: Inferring Physical Properties from Pouring Liquids [85.30865788636386]
  注水液の音響・視覚観測と物理の関連性について検討した。 本研究の目的は, 液位, 容器形状, 注水速度, 充填時間などの物性を自動的に推定することである。
  論文  参考訳（メタデータ） (2024-11-18T01:19:37Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Taming Waves: A Physically-Interpretable Machine Learning Framework for Realizable Control of Wave Dynamics [3.4530027457862]
  本研究では,アクティベートされたメタマテリアル設計による音波の制御に関する研究を目的とした環境について紹介する。 我々は,この環境を深層ニューラルネットワークに基づく新しい機械学習手法の開発に活用する。 本モデルは完全に解釈可能であり,実音響環境の物理的制約と固有特性をその潜時情報表現にマッピングする。
  論文  参考訳（メタデータ） (2023-11-27T03:34:28Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
  本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。 粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
  論文  参考訳（メタデータ） (2021-05-08T03:50:45Z)
• Model discovery in the sparse sampling regime [0.0]
  深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。 その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。 我々は合成集合と実験集合の両方について主張する。
  論文  参考訳（メタデータ） (2021-05-02T06:27:05Z)
• Synergy between Observation Systems Oceanic in Turbulent Regions [0.0]
  海洋ダイナミクスは、複雑な気候現象における海洋の役割を決定する上での公理の源である。 現在の観測システムは3次元海洋データに十分な統計的精度を達成するのに限界がある。 湾岸流と黒潮の延長流における海洋ダイナミクスのモデル化において,潜流クラス回帰と深層回帰ニューラルネットワークを探索するデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2020-12-28T22:52:57Z)
• Inferring, Predicting, and Denoising Causal Wave Dynamics [3.9407250051441403]
  DISTANA(Distributed Artificial Neural Network Architecture)は、グラフ畳み込みニューラルネットワークである。 DISTANAは、再帰パターンが観測されるので、データストリームを飾るのに非常に適していることを示す。 安定かつ正確なクローズドループ予測を数百の時間ステップで生成する。
  論文  参考訳（メタデータ） (2020-09-19T08:33:53Z)
• Deep learning of thermodynamics-aware reduced-order models from data [0.08699280339422537]
  大規模離散化物理系の関連する潜伏変数を学習するアルゴリズムを提案する。 次に、熱力学的に一貫性のあるディープニューラルネットワークを用いて、その時間進化を予測する。
  論文  参考訳（メタデータ） (2020-07-03T08:49:01Z)
• Can Temporal-Difference and Q-Learning Learn Representation? A Mean-Field Theory [110.99247009159726]
  時間差とQ-ラーニングは、ニューラルネットワークのような表現力のある非線形関数近似器によって強化される深層強化学習において重要な役割を担っている。 特に時間差学習は、関数近似器が特徴表現において線形であるときに収束する。
  論文  参考訳（メタデータ） (2020-06-08T17:25:22Z)
• Temporal-Spatial Neural Filter: Direction Informed End-to-End Multi-channel Target Speech Separation [66.46123655365113]
  ターゲット音声分離とは、混合信号からターゲット話者の音声を抽出することを指す。 主な課題は、複雑な音響環境とリアルタイム処理の要件である。 複数話者混合から対象音声波形を直接推定する時間空間ニューラルフィルタを提案する。
  論文  参考訳（メタデータ） (2020-01-02T11:12:50Z)

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。