論文の概要: Ensemble Learning Model on Artificial Neural Network-Backpropagation
(ANN-BP) Architecture for Coal Pillar Stability Classification
- arxiv url: http://arxiv.org/abs/2303.16524v1
- Date: Wed, 29 Mar 2023 08:26:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 15:38:09.500915
- Title: Ensemble Learning Model on Artificial Neural Network-Backpropagation
(ANN-BP) Architecture for Coal Pillar Stability Classification
- Title(参考訳): 石炭柱安定度分類のためのニューラルネットワークバックプロパゲーション(ANN-BP)アーキテクチャのアンサンブル学習モデル
- Authors: G. Aileen Mendrofa, Gatot Fatwanto Hertono, Bevina Desjwiandara
Handari
- Abstract要約: 本稿では,ニューラルネットワーク-バックプロパゲーション(ANN-BP)とディープ・アンサンブル・ラーニング(Deep Ensemble Learning)の柱安定性分類への応用について述べる。
ANN-BPは、その活性化機能によって区別される柱安定性の分類に3つのタイプがある。
各モデルには、柱幅、鉱床高さ、ボルト幅、深さから床まで、比率の5つの入力がある。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pillars are important structural units used to ensure mining safety in
underground hard rock mines. Therefore, precise predictions regarding the
stability of underground pillars are required. One common index that is often
used to assess pillar stability is the Safety Factor (SF). Unfortunately, such
crisp boundaries in pillar stability assessment using SF are unreliable. This
paper presents a novel application of Artificial Neural Network-Backpropagation
(ANN-BP) and Deep Ensemble Learning for pillar stability classification. There
are three types of ANN-BP used for the classification of pillar stability
distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and
ANN-BP GELU. This research also presents a new labeling alternative for pillar
stability by considering its suitability with the SF. Thus, pillar stability is
expanded into four categories: failed with a suitable safety factor, intact
with a suitable safety factor, failed without a suitable safety factor, and
intact without a suitable safety factor. There are five inputs used for each
model: pillar width, mining height, bord width, depth to floor, and ratio. The
results showed that the ANN-BP model with Ensemble Learning could improve
ANN-BP performance with an average accuracy of 86.48% and an F_2-score of
96.35% for the category of failed with a suitable safety factor.
- Abstract(参考訳): 柱は地下ハードロック鉱山の鉱業安全を確保するために使用される重要な構造単位である。
そのため,地下柱の安定性に関する正確な予測が必要である。
柱の安定性を評価するのによく使われる指標は安全因子(SF)である。
残念なことに、SFを用いた柱安定性評価におけるこのような鮮明な境界は信頼できない。
本稿では,ニューラルネットワーク-バックプロパゲーション(ANN-BP)とDeep Ensemble Learningの柱安定性分類への応用について述べる。
ANN-BP ReLU, ANN-BP ELU, ANN-BP GELUの3種類がある。
本研究は、SFに対する適合性を考慮して、柱安定性のための新しいラベリング代替案を提案する。
これにより、柱の安定性は、適切な安全要因で失敗し、適切な安全要素で失敗し、適切な安全要素で失敗し、適切な安全要素なくして、4つのカテゴリに拡張される。
各モデルに使用される入力は、柱幅、鉱業高さ、ボード幅、深さと床、および比率の5つである。
その結果、アンサンブルラーニングを用いたANN-BPモデルでは、平均精度86.48%、F_2スコア96.35%のANN-BP性能が向上し、適切な安全因子が与えられた。
関連論文リスト
- Assessing the Brittleness of Safety Alignment via Pruning and Low-Rank
Modifications [71.73807057757793]
大きな言語モデル(LLM)は、その安全性メカニズムに固有の脆さを示す。
本研究では, プルーニングと低ランク改造を利用した安全アライメントの脆性について検討した。
安全クリティカル領域への変更が制限された場合でも,LSMは低コストの微調整攻撃に対して脆弱であることを示す。
論文 参考訳(メタデータ) (2024-02-07T18:34:38Z) - NLBAC: A Neural Ordinary Differential Equations-based Framework for
Stable and Safe Reinforcement Learning [1.683837623246981]
本稿ではまず,RLシステムの安全性と安定性について述べる。
次に、ニューラル常微分方程式に基づくリアプノフ・バリア・アクター・クライブフレームワークを導入する。
このフレームワークでは、拡張ラグランジアン法を用いて、RLベースのコントローラパラメータを更新する。
論文 参考訳(メタデータ) (2024-01-23T23:50:19Z) - Testing Spintronics Implemented Monte Carlo Dropout-Based Bayesian
Neural Networks [0.7537220883022466]
ニューラルネットワーク(BayNN)は本質的に予測の不確実性を推定し、情報的な意思決定を容易にする。
ドロップアウトベースのBayNNは、資源制約があるが高性能な安全クリティカルなアプリケーションのために、スピントロニクスベースの計算メモリアーキテクチャで実装されている。
スピントロニクスをベースとしたDropoutモジュールの非理想性をモデル化し,不確実性評価と精度への影響を解析した。
論文 参考訳(メタデータ) (2024-01-09T09:42:27Z) - Scaling #DNN-Verification Tools with Efficient Bound Propagation and
Parallel Computing [57.49021927832259]
ディープニューラルネットワーク(DNN)は多くのシナリオで異常な結果を示した強力なツールです。
しかし、それらの複雑な設計と透明性の欠如は、現実世界のアプリケーションに適用する際の安全性上の懸念を提起する。
DNNの形式的検証(FV)は、安全面の証明可能な保証を提供する貴重なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-12-10T13:51:25Z) - On Forecast Stability [3.5789787644375495]
垂直安定性と水平安定性と呼ばれる2種類の予測安定性について検討する。
本稿では,任意のベースモデルが提供する予測を垂直・水平に安定化するために,線形補間に基づく簡単な手法を提案する。
論文 参考訳(メタデータ) (2023-10-26T11:55:30Z) - Enumerating Safe Regions in Deep Neural Networks with Provable
Probabilistic Guarantees [86.1362094580439]
安全プロパティとDNNが与えられた場合、安全であるプロパティ入力領域のすべての領域の集合を列挙する。
この問題の #P-hardness のため,epsilon-ProVe と呼ばれる効率的な近似法を提案する。
提案手法は, 許容限界の統計的予測により得られた出力可到達集合の制御可能な過小評価を利用する。
論文 参考訳(メタデータ) (2023-08-18T22:30:35Z) - CaRT: Certified Safety and Robust Tracking in Learning-based Motion
Planning for Multi-Agent Systems [7.77024796789203]
CaRTは、学習ベースのモーションプランニングポリシーの安全性と堅牢性を保証するために、新しい階層的な分散アーキテクチャである。
定性障害や有界障害があっても,CaRTは軌道追跡誤差の安全性と指数関数性を保証する。
本稿では, 非線形動作計画と制御問題のいくつかの例において, CaRTの有効性を実証する。
論文 参考訳(メタデータ) (2023-07-13T21:51:29Z) - KCRL: Krasovskii-Constrained Reinforcement Learning with Guaranteed
Stability in Nonlinear Dynamical Systems [66.9461097311667]
形式的安定性を保証するモデルに基づく強化学習フレームワークを提案する。
提案手法は,特徴表現を用いて信頼区間までシステムダイナミクスを学習する。
我々は、KCRLが、基礎となる未知のシステムとの有限数の相互作用において安定化ポリシーを学ぶことが保証されていることを示す。
論文 参考訳(メタデータ) (2022-06-03T17:27:04Z) - Robust Stability of Neural-Network Controlled Nonlinear Systems with
Parametric Variability [2.0199917525888895]
ニューラルネットワーク制御非線形システムの安定性と安定化性の理論を考案する。
このような頑健な安定化NNコントローラの計算には、安定性保証トレーニング(SGT)も提案されている。
論文 参考訳(メタデータ) (2021-09-13T05:09:30Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-06-13T23:08:49Z) - Batch Normalization Increases Adversarial Vulnerability and Decreases
Adversarial Transferability: A Non-Robust Feature Perspective [91.5105021619887]
バッチ正規化(BN)は、現代のディープニューラルネットワーク(DNN)で広く使われている。
BNは、対向ロバスト性を犠牲にしてモデル精度を高めることが観察された。
BNが主にロバスト特徴(RF)と非ロバスト特徴(NRF)の学習を好んでいるかどうかは不明である。
論文 参考訳(メタデータ) (2020-10-07T10:24:33Z)
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。