Fugu-MT 論文翻訳(概要): Hyperspectral Lightcurve Inversion for Attitude Determination

論文の概要: Hyperspectral Lightcurve Inversion for Attitude Determination

arxiv url: http://arxiv.org/abs/2401.05397v1
Date: Tue, 19 Dec 2023 16:06:50 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 08:47:03.334747
Title: Hyperspectral Lightcurve Inversion for Attitude Determination
Title（参考訳）: 姿勢決定のためのハイパースペクトル光曲線インバージョン
Authors: Sim\~ao da Gra\c{c}a Marto, Massimiliano Vasile, Andrew Campbell, Paul Murray, Stephen Marshall, Vasili Savitski
Abstract要約: 宇宙船の姿勢と回転を推測するために、時系列の単画素分光測定が用いられる。目的は最小限の情報で作業することであり、それ故に姿勢や慣性テンソルについて事前は利用できない。結果は合成データに基づいて示される。
参考スコア（独自算出の注目度）: 0.9820957505036108
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Spectral lightcurves consisting of time series single-pixel spectral measurements of spacecraft are used to infer the spacecraft's attitude and rotation. Two methods are used. One based on numerical optimisation of a regularised least squares cost function, and another based on machine learning with a neural network model. The aim is to work with minimal information, thus no prior is available on the attitude nor on the inertia tensor. The theoretical and practical aspects of this task are investigated, and the methodology is tested on synthetic data. Results are shown based on synthetic data.
Abstract（参考訳）: 衛星の時系列単画素スペクトル測定からなるスペクトル光曲線は、宇宙船の姿勢と回転を推定するために用いられる。 2つの方法が用いられる。 1つは正規化された最小二乗コスト関数の数値最適化、もう1つはニューラルネットワークモデルによる機械学習に基づく。目的は最小限の情報で作業することであり、それ故に姿勢や慣性テンソルに関する事前情報はない。本課題の理論的・実践的側面を考察し, 合成データを用いて方法論を検証した。結果は合成データに基づいて示される。

関連論文リスト

DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
論文参考訳（メタデータ） (2024-10-08T10:48:50Z)
Spectral operator learning for parametric PDEs without data reliance [6.7083321695379885]
本研究では,データ活用を必要とせずにパラメトリック偏微分方程式(PDE)を解く演算子に基づく新しい手法を提案する。提案手法は,既存の科学的機械学習技術と比較して優れた性能を示す。
論文参考訳（メタデータ） (2023-10-03T12:37:15Z)
Machine learning enabled experimental design and parameter estimation for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文参考訳（メタデータ） (2023-06-03T06:19:20Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Learning new physics efficiently with nonparametric methods [11.970219534238444]
モデルに依存しない新しい物理探索のための機械学習手法を提案する。対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
論文参考訳（メタデータ） (2022-04-05T16:17:59Z)
Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文参考訳（メタデータ） (2022-03-11T02:37:35Z)
Single-shot self-supervised particle tracking [0.0]
本研究では,1枚の未ラベル画像からサブピクセル精度で物体の追跡を学習する新しいディープラーニング手法を提案する。 LodeSTARは従来の手法よりも精度が高いことを示す。単一のラベルのないイメージでディープラーニングモデルをトレーニングする機能のおかげで、LodeSTARは高品質の顕微鏡分析パイプラインの開発を加速することができる。
論文参考訳（メタデータ） (2022-02-28T05:02:20Z)
Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文参考訳（メタデータ） (2021-12-22T00:52:56Z)
Investigation of Nonlinear Model Order Reduction of the Quasigeostrophic Equations through a Physics-Informed Convolutional Autoencoder [0.0]
低次モデリング(ROM)は、安価なサロゲートによる現実世界のプロセスの複雑な物理モデルに近似する。本稿では,システム力学の非線形射影を低次元多様体上に行うオートエンコーダ(AE)を用いたROMの構築について検討する。本研究により, PIコスト関数は空間再構成に有効であるが, 空間特性はスペクトル特性よりも強力ではないことが明らかとなった。
論文参考訳（メタデータ） (2021-08-27T15:20:01Z)
A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
論文参考訳（メタデータ） (2021-08-25T02:29:28Z)
Efficient Multidimensional Functional Data Analysis Using Marginal Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文参考訳（メタデータ） (2021-07-30T16:02:15Z)

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。