論文の概要: Operator Guidance Informed by AI-Augmented Simulations
- arxiv url: http://arxiv.org/abs/2307.08810v1
- Date: Mon, 17 Jul 2023 19:56:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 17:31:20.490342
- Title: Operator Guidance Informed by AI-Augmented Simulations
- Title(参考訳): AI強化シミュレーションによるオペレータ誘導
- Authors: Samuel J. Edwards and Michael Levine
- Abstract要約: 本稿では,Long Short-Term Memory (LSTM) ニューラルネットワークを用いた多要素データ適応型手法を提案する。
この研究には、高速で低忠実なボリュームベースツールSimpleCodeと、Large Amplitude Motion Program(LAMP)と呼ばれる高忠実なツールが使用される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper will present a multi-fidelity, data-adaptive approach with a Long
Short-Term Memory (LSTM) neural network to estimate ship response statistics in
bimodal, bidirectional seas. The study will employ a fast low-fidelity,
volume-based tool SimpleCode and a higher-fidelity tool known as the Large
Amplitude Motion Program (LAMP). SimpleCode and LAMP data were generated by
common bi-modal, bi-directional sea conditions in the North Atlantic as
training data. After training an LSTM network with LAMP ship motion response
data, a sample route was traversed and randomly sampled historical weather was
input into SimpleCode and the LSTM network, and compared against the higher
fidelity results.
- Abstract(参考訳): 本稿では,Long Short-Term Memory (LSTM) ニューラルネットワークを用いた多要素データ適応型手法を提案する。
この研究には、高速で低忠実なボリュームベースツールSimpleCodeと、Large Amplitude Motion Program(LAMP)と呼ばれる高忠実なツールが使用される。
単純コードとランプデータは、北大西洋における共通の双方向海洋条件によって訓練データとして生成された。
LAMP船の動き応答データを用いてLSTMネットワークをトレーニングした後、サンプル経路をトラバースし、ランダムにサンプルした過去の天気をSimpleCodeとLSTMネットワークに入力し、高い忠実度結果と比較した。
関連論文リスト
- Federated Quantum Long Short-term Memory (FedQLSTM) [58.50321380769256]
量子フェデレーション学習(QFL)は、量子機械学習(QML)モデルを使用して、複数のクライアント間の協調学習を容易にする。
関数の近似に時間的データを利用するQFLフレームワークの開発に前向きな作業は行われていない。
量子長短期メモリ(QLSTM)モデルと時間データを統合する新しいQFLフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-21T21:40:47Z) - Short-term Precipitation Forecasting in The Netherlands: An Application
of Convolutional LSTM neural networks to weather radar data [0.0]
この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。
このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。
その結果,降水運動の方向と強度の予測には高い精度が得られた。
論文 参考訳(メタデータ) (2023-12-02T18:13:45Z) - 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) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - A Novel Approach For Analysis of Distributed Acoustic Sensing System
Based on Deep Transfer Learning [0.0]
畳み込みニューラルネットワークは、空間情報を抽出するための非常に有能なツールである。
LSTM(Long-Short term memory)は、シーケンシャルデータを処理するための有効な機器である。
我々のフレームワークのVGG-16アーキテクチャは、50のトレーニングで100%の分類精度が得られる。
論文 参考訳(メタデータ) (2022-06-24T19:56:01Z) - Big Data Analytics for Network Level Short-Term Travel Time Prediction
with Hierarchical LSTM [0.0]
本稿では,Caltrans Performance Measurement System (PeMS) による大規模走行時間データセットを利用する。
大量のデータの課題を克服するために、ビッグデータ分析エンジンのApache SparkとApache MXNetがデータラングリングとモデリングに使用される。
階層型LSTMモデルは、ネットワークレベルの移動時間の空間的時間的相関を捉えるために、異なる時間スケールでの依存関係を考慮できる。
論文 参考訳(メタデータ) (2022-01-15T05:25:03Z) - Distributional Reinforcement Learning for mmWave Communications with
Intelligent Reflectors on a UAV [119.97450366894718]
無人航空機(UAV)搭載のインテリジェントリフレクタ(IR)を用いた新しい通信フレームワークを提案する。
ダウンリンク和率を最大化するために、最適プリコーディング行列(基地局)と反射係数(IR)を共同で導出する。
論文 参考訳(メタデータ) (2020-11-03T16:50:37Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳(メタデータ) (2020-10-01T17:51:49Z) - Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network
for Forecasting Network-wide Traffic State with Missing Values [23.504633202965376]
我々は、RNNベースのモデルに注目し、RNNとその変種を交通予測モデルに組み込む方法を再検討する。
トラフィック状態予測のためのニューラルネットワーク構造の設計を支援するために,スタック型双方向・一方向LSTMネットワークアーキテクチャ(SBU-LSTM)を提案する。
また,LSTM構造(LSTM-I)におけるデータ計算機構を提案する。
論文 参考訳(メタデータ) (2020-05-24T00:17:15Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳(メタデータ) (2020-03-16T03:43:59Z)
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。