論文の概要: Gate Recurrent Unit Network based on Hilbert-Schmidt Independence Criterion for State-of-Health Estimation

• arxiv url: http://arxiv.org/abs/2303.09497v1
• Date: Thu, 16 Mar 2023 17:16:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 14:26:38.443482
• Title: Gate Recurrent Unit Network based on Hilbert-Schmidt Independence Criterion for State-of-Health Estimation
• Title（参考訳）: ヒルベルト・シュミット独立基準に基づく健康状態推定のためのゲートリカレントユニットネットワーク
• Authors: Ziyue Huang, Lujuan Dang, Yuqing Xie, Wentao Ma, and Badong Chen
• Abstract要約: State-of-Health (SOH) 推定は、バッテリーの安全性と信頼性を確保するための重要なステップである。 既存の方法の多くは、時間と労力がかかる健康的特徴抽出技術を必要とする。 Hilbert-Schmidt Independence Criterion(GRU-HSIC)に基づく新しいGRUネットワークを提案する。
• 参考スコア（独自算出の注目度）: 20.86941818998289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State-of-health (SOH) estimation is a key step in ensuring the safe and reliable operation of batteries. Due to issues such as varying data distribution and sequence length in different cycles, most existing methods require health feature extraction technique, which can be time-consuming and labor-intensive. GRU can well solve this problem due to the simple structure and superior performance, receiving widespread attentions. However, redundant information still exists within the network and impacts the accuracy of SOH estimation. To address this issue, a new GRU network based on Hilbert-Schmidt Independence Criterion (GRU-HSIC) is proposed. First, a zero masking network is used to transform all battery data measured with varying lengths every cycle into sequences of the same length, while still retaining information about the original data size in each cycle. Second, the Hilbert-Schmidt Independence Criterion (HSIC) bottleneck, which evolved from Information Bottleneck (IB) theory, is extended to GRU to compress the information from hidden layers. To evaluate the proposed method, we conducted experiments on datasets from the Center for Advanced Life Cycle Engineering (CALCE) of the University of Maryland and NASA Ames Prognostics Center of Excellence. Experimental results demonstrate that our model achieves higher accuracy than other recurrent models.
• Abstract（参考訳）: State-of-Health (SOH) 推定は、バッテリーの安全性と信頼性を確保するための重要なステップである。 異なるサイクルにおけるデータ分布やシーケンスの長さのばらつきなどの問題により、既存の手法の多くは、時間と労力を要する健康特徴抽出技術を必要としている。 GRUは単純な構造と優れた性能のためにこの問題をうまく解決することができ、広く注目を集めている。 しかし、冗長な情報はネットワーク内に存在し、SOH推定の精度に影響を与える。 この問題に対処するため,Hilbert-Schmidt Independence Criterion(GRU-HSIC)に基づく新しいGRUネットワークを提案する。 まず、ゼロマスキングネットワークを使用して、各サイクル毎に異なる長さで測定されたすべてのバッテリデータを同じ長さのシーケンスに変換し、各サイクルで元のデータサイズに関する情報を保持する。 第2に、インフォメーション・ボトルネック(IB)理論から進化したHilbert-Schmidt Independence Criterion(HSIC)ボトルネックをGRUに拡張し、隠れた層から情報を圧縮する。 提案手法を評価するため,メリーランド大学のCALCE(Center for Advanced Life Cycle Engineering)とNASAのAmes Prognostics Center of Excellenceのデータセット実験を行った。 実験により,本モデルは他の再帰モデルよりも精度が高いことを示した。

関連論文リスト

• Graph neural network-based lithium-ion battery state of health estimation using partial discharging curve [16.570091013381266]
  本稿では, リチウムイオン電池の健康状態(SOH)を推定するために, グラフ時間ネットワーク(GCN)を活用した革新的なアプローチを提案する。 本手法は,マトリックスプロファイル異常検出アルゴリズムを用いて放電電圧セグメントを系統的に選択する。 広く受け入れられているオープンソースデータセットによる検証により,ルート平均2乗誤差が1%未満の精度でSOH推定が可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-30T02:14:53Z)
• Cell Variational Information Bottleneck Network [6.164295534465283]
  本稿では,最新のフィードフォワードネットワークアーキテクチャと組み合わせることができる情報ボトルネック機構を用いた畳み込みニューラルネットワークを提案する。 セル変動情報ボトルネックネットワークは、不確実性のある特徴マップを生成するVIBセルを積み重ねて構築される。 より複雑な表現学習タスクである顔認識では、ネットワーク構造も非常に競争力のある結果を得た。
  論文  参考訳（メタデータ） (2024-03-22T10:06:31Z)
• Differentially Private SGD Without Clipping Bias: An Error-Feedback Approach [62.000948039914135]
  Differentially Private Gradient Descent with Gradient Clipping (DPSGD-GC) を使用して、差分プライバシ(DP)がモデルパフォーマンス劣化の犠牲となることを保証する。 DPSGD-GCに代わる新しいエラーフィードバック(EF)DPアルゴリズムを提案する。 提案アルゴリズムに対するアルゴリズム固有のDP解析を確立し,R'enyi DPに基づくプライバシ保証を提供する。
  論文  参考訳（メタデータ） (2023-11-24T17:56:44Z)
• Diversity-enhancing Generative Network for Few-shot Hypothesis Adaptation [135.80439360370556]
  本稿では,FHA問題に対する多様性向上型生成ネットワーク(DEG-Net)を提案する。 カーネル独立対策(Hilbert-Schmidt independent criterion、HSIC)の助けを借りて、さまざまなラベルのないデータを生成することができる。
  論文  参考訳（メタデータ） (2023-07-12T06:29:02Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• A GRU-based Mixture Density Network for Data-Driven Dynamic Stochastic Programming [15.517550827358104]
  本稿では、時系列決定問題に対する革新的なデータ駆動動的プログラミング(DD-DSP)フレームワークを提案する。 具体的には、GRUとガウス混合モデル(GMM)を統合するディープニューラルネットワークを考案する。 我々のフレームワークはLSTMに基づくデータ駆動最適化よりも優れており、車両の平均はLSTMよりも低い。
  論文  参考訳（メタデータ） (2020-06-26T15:42:59Z)
• SiTGRU: Single-Tunnelled Gated Recurrent Unit for Abnormality Detection [29.500392184282518]
  異常検出のための単一トンネルGRU(Single Tunnelled GRU)と呼ばれるGRU(Gated Recurrent Unit)の新規バージョンを提案する。 提案手法は,標準GRUとLong Short Term Memory(LSTM)ネットワークを,検出および一般化タスクのほとんどの指標で上回っている。
  論文  参考訳（メタデータ） (2020-03-30T14:58:13Z)
• Distribution Approximation and Statistical Estimation Guarantees of Generative Adversarial Networks [82.61546580149427]
  GAN(Generative Adversarial Networks)は教師なし学習において大きな成功を収めている。 本稿では,H'older空間における密度データ分布推定のためのGANの近似と統計的保証を提供する。
  論文  参考訳（メタデータ） (2020-02-10T16:47:57Z)

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。