論文の概要: Inferring Line-of-Sight Velocities and Doppler Widths from Stokes
Profiles of GST/NIRIS Using Stacked Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2210.04122v1
- Date: Sat, 8 Oct 2022 23:19:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 19:51:22.002684
- Title: Inferring Line-of-Sight Velocities and Doppler Widths from Stokes
Profiles of GST/NIRIS Using Stacked Deep Neural Networks
- Title（参考訳）: 重み付きニューラルネットワークを用いたGST/NIRISのストークスプロファイルからの視線速度とドップラー幅の推定
- Authors: Haodi Jiang, Qin Li, Yan Xu, Wynne Hsu, Kwangsu Ahn, Wenda Cao, Jason
T. L. Wang, Haimin Wang
- Abstract要約: 我々はStokesプロファイルからLOS速度とドップラー幅を推定するための新しいディープラーニング手法である Stacked Deep Neural Networks (SDNN) を提案する。
SDNNのトレーニングデータは、ビッグベア太陽観測所(BBSO)が使用するMilne-Eddington (ME)インバージョンコードによって作成される。
我々は、SDNNを定量的に評価し、その逆解析結果とME反転符号と関連する機械学習(ML)アルゴリズムで得られた結果と比較する。
- 参考スコア（独自算出の注目度）: 11.555819649702082
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Obtaining high-quality magnetic and velocity fields through Stokes inversion
is crucial in solar physics. In this paper, we present a new deep learning
method, named Stacked Deep Neural Networks (SDNN), for inferring line-of-sight
(LOS) velocities and Doppler widths from Stokes profiles collected by the Near
InfraRed Imaging Spectropolarimeter (NIRIS) on the 1.6 m Goode Solar Telescope
(GST) at the Big Bear Solar Observatory (BBSO). The training data of SDNN is
prepared by a Milne-Eddington (ME) inversion code used by BBSO. We
quantitatively assess SDNN, comparing its inversion results with those obtained
by the ME inversion code and related machine learning (ML) algorithms such as
multiple support vector regression, multilayer perceptrons and a pixel-level
convolutional neural network. Major findings from our experimental study are
summarized as follows. First, the SDNN-inferred LOS velocities are highly
correlated to the ME-calculated ones with the Pearson product-moment
correlation coefficient being close to 0.9 on average. Second, SDNN is faster,
while producing smoother and cleaner LOS velocity and Doppler width maps, than
the ME inversion code. Third, the maps produced by SDNN are closer to ME's maps
than those from the related ML algorithms, demonstrating the better learning
capability of SDNN than the ML algorithms. Finally, comparison between the
inversion results of ME and SDNN based on GST/NIRIS and those from the
Helioseismic and Magnetic Imager on board the Solar Dynamics Observatory in
flare-prolific active region NOAA 12673 is presented. We also discuss
extensions of SDNN for inferring vector magnetic fields with empirical
evaluation.
- Abstract（参考訳）: ストークス反転による高品質の磁場と速度場を得ることは太陽物理学において重要である。
本稿では,近赤外画像分光偏光計 (NIRIS) によるビッグベア・ソーラー天文台 (BBSO) の1.6 m Goode Solar Telescope (GST) のストークスプロファイルから,視線速度とドップラー幅を推定するための新しいディープラーニング手法である Stacked Deep Neural Networks (SDNN) を提案する。
SDNNのトレーニングデータは、BBSOが使用するMilne-Eddington(ME)インバージョンコードによって作成される。
本研究では,sdnnを定量的に評価し,そのインバージョン結果をmeインバージョンコードと,複数のサポートベクトル回帰,多層パーセプトロン,ピクセルレベルの畳み込みニューラルネットワークなどの機械学習(ml)アルゴリズムと比較した。
本研究の主な成果は以下の通りである。
まず,sdnnが推定したロス速度は平均0.9に近いピアソン積-モーメント相関係数のme計算値と高い相関関係を示す。
第二に、SDNNはMEの反転符号よりもスムーズでクリーンなLOS速度とドップラー幅マップを生成する。
第3に、SDNNが作成したマップは、関連するMLアルゴリズムよりもMEマップに近いため、SDNNの学習能力はMLアルゴリズムよりも優れている。
最後に、GST/NIRISに基づくMEとSDNNの逆転結果と、太陽ダイナミクス観測所に搭載されたヘリオサイスミック・磁気画像装置によるNOAA 12673の観測結果を比較した。
また,経験的評価を伴うベクトル磁場推定のためのSDNNの拡張についても論じる。
関連論文リスト
- Spiking Neural Network Enhanced Hand Gesture Recognition Using Low-Cost
Single-photon Avalanche Diode Array [0.0]
暗黒および明るい光環境下で10種類のジェスチャーを認識するために,小型なスパイキング畳み込みニューラルネットワーク(SCNN)とスパイキング多層パーセプトロン(90P)を提案する。
ハンドジェスチャ認識(HGR)システムでは,光子強度データをネットワークのトレーニングとテストに利用した。
バニラ畳み込みニューラルネットワーク(CNN)も実装され、SCNNのパフォーマンスを同じネットワークトポロジとトレーニング戦略と比較した。
論文 参考訳（メタデータ） (2024-02-08T06:35:06Z) - SDRCNN: A single-scale dense residual connected convolutional neural
network for pansharpening [12.10124344168457]
本研究では,SDRCNNと呼ばれる,単一ブランチで単一スケールの軽量畳み込みニューラルネットワークを開発した。
SDRCNNの性能は、WorldView-3、WorldView-2、QuickBirdの4つのデータセットを用いてテストされた。
論文 参考訳（メタデータ） (2023-07-01T12:40:39Z) - Bridging the Gap between ANNs and SNNs by Calibrating Offset Spikes [19.85338979292052]
スパイキングニューラルネットワーク(SNN)は低消費電力と時間情報処理の特徴的な特徴から注目されている。
ANN-SNN変換は、SNNに適用するための最も一般的な訓練方法であり、変換されたSNNが大規模データセット上でANNに匹敵するパフォーマンスを達成することを確実にする。
本稿では、異なる変換誤差を評価してこれらの誤りを除去する代わりに、実際のSNN発射速度と所望のSNN発射速度のずれ度を測定するためにオフセットスパイクを定義する。
論文 参考訳（メタデータ） (2023-02-21T14:10:56Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Wide Bayesian neural networks have a simple weight posterior: theory and
accelerated sampling [48.94555574632823]
再帰化は、ベイズニューラルネットワーク(BNN)の後部を、層幅が大きくなるにつれてKLがBNNに分岐する分布に変換する。
我々は,BNNを高速に混合するマルコフ連鎖モンテカルロ (MCMC) 後方サンプリングアルゴリズムを開発した。
完全接続ネットワークと残留ネットワークの双方の分離を伴わないため, 最大50倍の有効試料サイズを観測した。
論文 参考訳（メタデータ） (2022-06-15T17:11:08Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - Spike time displacement based error backpropagation in convolutional
spiking neural networks [0.6193838300896449]
本稿では,STiDi-BPアルゴリズムを拡張し,より深く,畳み込み型アーキテクチャに応用する。
MNISTとFashion-MNISTの2つのベンチマークに基づく画像分類タスクの評価結果から,このアルゴリズムが深部SNNに適用可能であることを確認した。
後進パスで更新される実数値重みと、フィードフォワードプロセスで使用される2値重みと、その記号と2値重みの2つの重みを持つ畳み込みSNNを考える。
論文 参考訳（メタデータ） (2021-08-31T05:18:59Z) - 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) - 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) - Inferring Vector Magnetic Fields from Stokes Profiles of GST/NIRIS Using
a Convolutional Neural Network [9.566896529266494]
本稿では、畳み込みニューラルネットワーク(CNN)とミルン・エディントン(ME)法に基づくストークス逆変換の新しい機械学習手法を提案する。
物理ベースMEツールで作成したトレーニングデータの潜在パターンを学習することにより,GST/NIRISのストークスプロファイルからベクトル磁場を推定できる。
実験の結果,CNN法は広く用いられているME法よりもスムーズでクリーンな磁気マップを生成することがわかった。
論文 参考訳（メタデータ） (2020-05-08T10:26:12Z)
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。