論文の概要: Deep learning based sferics recognition for AMT data processing in the dead band

• arxiv url: http://arxiv.org/abs/2209.13647v1
• Date: Thu, 22 Sep 2022 02:31:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 23:12:59.660903
• Title: Deep learning based sferics recognition for AMT data processing in the dead band
• Title（参考訳）: デッドバンドにおけるAMTデータ処理のための深層学習に基づくシュフェリクス認識
• Authors: Enhua Jiang, Rujun Chen, Xinming Wu, Jianxin Liu, Debin Zhu and Weiqiang Liu
• Abstract要約: AMT (Audio magnetotellurics) 音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足をもたらす。 本稿では,長期にわたって冗長に記録されたデータからスフェリック信号を自動的に認識するディープ畳み込みニューラルネットワーク(CNN)を提案する。 本手法はS/Nを大幅に改善し, デッドバンドのエネルギー不足を効果的に解決する。
• 参考スコア（独自算出の注目度）: 5.683853455697258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the audio magnetotellurics (AMT) sounding data processing, the absence of sferic signals in some time ranges typically results in a lack of energy in the AMT dead band, which may cause unreliable resistivity estimate. We propose a deep convolutional neural network (CNN) to automatically recognize sferic signals from redundantly recorded data in a long time range and use them to compensate for the resistivity estimation. We train the CNN by using field time series data with different signal to noise rations that were acquired from different regions in mainland China. To solve the potential overfitting problem due to the limited number of sferic labels, we propose a training strategy that randomly generates training samples (with random data augmentations) while optimizing the CNN model parameters. We stop the training process and data generation until the training loss converges. In addition, we use a weighted binary cross-entropy loss function to solve the sample imbalance problem to better optimize the network, use multiple reasonable metrics to evaluate network performance, and carry out ablation experiments to optimally choose the model hyperparameters. Extensive field data applications show that our trained CNN can robustly recognize sferic signals from noisy time series for subsequent impedance estimation. The subsequent processing results show that our method can significantly improve S/N and effectively solve the problem of lack of energy in dead band. Compared to the traditional processing method without sferic compensation, our method can generate a smoother and more reasonable apparent resistivity-phase curves and depolarized phase tensor, correct the estimation error of sudden drop of high-frequency apparent resistivity and abnormal behavior of phase reversal, and finally better restore the real shallow subsurface resistivity structure.
• Abstract（参考訳）: AMT (Audio magnetotellurics) の音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足を招き、信頼できない比抵抗推定を引き起こす。 本研究では,冗長に記録されたデータからのsferic信号を自動的に認識し,比抵抗推定を補償する深層畳み込みニューラルネットワーク(cnn)を提案する。 中国本土の異なる地域から取得したノイズ分率に対して異なる信号のフィールド時系列データを用いてcnnを訓練する。 CNNモデルパラメータを最適化しながら、ランダムにトレーニングサンプル(ランダムデータ拡張)を生成する訓練戦略を提案する。 トレーニング損失が収束するまで、トレーニングプロセスとデータ生成を停止します。 さらに,重み付き二項クロスエントロピー損失関数を用いてサンプル不均衡問題を解き,ネットワークの最適化,複数の合理的指標を用いたネットワーク性能評価,モデルハイパーパラメータの最適選択のためのアブレーション実験を行った。 広範囲のフィールドデータ応用により,我々の訓練したcnnは,継続インピーダンス推定のために雑音時系列からのsferic信号をロバストに認識できることを示した。 その後の処理結果から,本手法はS/Nを大幅に改善し,デッドバンドのエネルギー不足を効果的に解決できることが示された。 従来のsferic compensation法と比較して,より滑らかで合理的な比抵抗位相曲線と非分極位相テンソルを生成し,高周波比抵抗の急降下の推定誤差と位相反転の異常挙動を補正し,最終的に真の浅層比抵抗構造を復元することができる。

関連論文リスト

• HARDCORE: H-field and power loss estimation for arbitrary waveforms with residual, dilated convolutional neural networks in ferrite cores [1.3437002403398262]
  MagNet Challenge 2023は、トロイダルフェライトコアにおける定常的な電力損失の物質特異的で波形に依存しない推定のためのデータ駆動モデルの開発を競合他社に呼びかけている。 HardCOREアプローチは、物理インフォームド拡張を持つ残差畳み込みニューラルネットワークが、事前に観測データに基づいてトレーニングされた場合、このタスクを効率的に行うことができることを示している。 モデルは各素材のスクラッチから訓練されるが、トポロジーは同じである。
  論文  参考訳（メタデータ） (2024-01-21T13:24:41Z)
• Adaptive Sampling for Deep Learning via Efficient Nonparametric Proxies [35.29595714883275]
  我々は,Nadaraya-Watson推定器に対する効率的なスケッチベース近似を開発した。 サンプリングアルゴリズムは,4つのデータセットに対して,壁面時間と精度でベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-11-22T18:40:18Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Wave simulation in non-smooth media by PINN with quadratic neural network and PML condition [2.7651063843287718]
  最近提案された物理インフォームドニューラルネットワーク(PINN)は、幅広い偏微分方程式(PDE)を解くことに成功している。 本稿では、波動方程式の代わりにPINNを用いて周波数領域における音響および粘性音響散乱波動方程式を解き、震源の摂動を除去する。 PMLと2次ニューロンは、その効果と減衰を改善できることを示し、この改善の理由を議論する。
  論文  参考訳（メタデータ） (2022-08-16T13:29:01Z)
• Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns [77.34726150561087]
  本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。 本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
  論文  参考訳（メタデータ） (2022-05-19T08:37:56Z)
• 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)
• 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)
• Inverse-Dirichlet Weighting Enables Reliable Training of Physics Informed Neural Networks [2.580765958706854]
  我々は、深層ニューラルネットワークのトレーニング中に、スケール不均衡を伴うマルチスケールダイナミクスから生じる障害モードを記述し、治療する。 PINNは、物理方程式モデルとデータとのシームレスな統合を可能にする、一般的な機械学習テンプレートである。 逐次トレーニングを用いた逆モデリングでは,逆ディリクレ重み付けがPINNを破滅的忘れから保護することがわかった。
  論文  参考訳（メタデータ） (2021-07-02T10:01:37Z)
• 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)
• Predicting Training Time Without Training [120.92623395389255]
  我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。 我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。 トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
  論文  参考訳（メタデータ） (2020-08-28T04:29:54Z)

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。