論文の概要: Random forests for detecting weak signals and extracting physical
information: a case study of magnetic navigation
- arxiv url: http://arxiv.org/abs/2402.14131v1
- Date: Wed, 21 Feb 2024 21:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 17:13:10.105436
- Title: Random forests for detecting weak signals and extracting physical
information: a case study of magnetic navigation
- Title（参考訳）: 弱信号検出と物理情報抽出のためのランダム林:磁気ナビゲーションを事例として
- Authors: Mohammadamin Moradi, Zheng-Meng Zhai, Aaron Nielsen, Ying-Cheng Lai
- Abstract要約: 貯水池計算と時間遅延フィードフォワードニューラルネットワークという2つの機械学習アーキテクチャは、GPSで測定された環境で地球の異常磁場を検出するために利用することができる。
我々は,複数の決定木の出力を組み合わせたランダム森林の機械学習モデルを利用して,物理量の最適値を与える。
ランダムフォレストアルゴリズムは, 弱い異常場の検出や航空機の位置のフィルタリングにおいて, 極めてよく機能することを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It was recently demonstrated that two machine-learning architectures,
reservoir computing and time-delayed feed-forward neural networks, can be
exploited for detecting the Earth's anomaly magnetic field immersed in
overwhelming complex signals for magnetic navigation in a GPS-denied
environment. The accuracy of the detected anomaly field corresponds to a
positioning accuracy in the range of 10 to 40 meters. To increase the accuracy
and reduce the uncertainty of weak signal detection as well as to directly
obtain the position information, we exploit the machine-learning model of
random forests that combines the output of multiple decision trees to give
optimal values of the physical quantities of interest. In particular, from
time-series data gathered from the cockpit of a flying airplane during various
maneuvering stages, where strong background complex signals are caused by other
elements of the Earth's magnetic field and the fields produced by the
electronic systems in the cockpit, we demonstrate that the random-forest
algorithm performs remarkably well in detecting the weak anomaly field and in
filtering the position of the aircraft. With the aid of the conventional
inertial navigation system, the positioning error can be reduced to less than
10 meters. We also find that, contrary to the conventional wisdom, the classic
Tolles-Lawson model for calibrating and removing the magnetic field generated
by the body of the aircraft is not necessary and may even be detrimental for
the success of the random-forest method.
- Abstract（参考訳）: 近年,2つの機械学習アーキテクチャ(リザーバコンピューティングと時間遅延フィードフォワードニューラルネットワーク)が,gpsを固定した環境での磁気航法のための膨大な複雑な信号に没入する地球の異常磁場の検出に活用できることが実証された。
検出された異常場の精度は、10～40mの範囲における位置決め精度に相当する。
弱信号検出の精度を高め,不確実性を低減し,位置情報を直接取得するために,複数の決定木の出力を組み合わせたランダム森林の機械学習モデルを用いて,物理量の最適値を与える。
特に, 飛行中の航空機のコックピットから収集した時系列データから, 地球磁場の他の要素やコックピット内の電子系が生成する磁場によって, 強い背景複雑な信号が引き起こされる状況において, ランダムフォレストアルゴリズムは, 弱い異常な磁場を検出し, 航空機の位置をフィルタリングする際に, 極めて良好に動作することを示した。
従来の慣性航法システムの助けを借りて、位置決め誤差を10m未満に減らすことができる。
また,従来の知見とは対照的に,航空機本体の磁場を校正・除去するための古典的トーラス・ローソン模型は不要であり,ランダムフォレスト法の成功に不利である可能性もある。
関連論文リスト
- A Bionic Data-driven Approach for Long-distance Underwater Navigation with Anomaly Resistance [59.21686775951903]
様々な動物が環境の手がかりを使って正確なナビゲーションをしている。
動物航法にインスパイアされたこの研究は、長距離水中航法のためのバイオニックでデータ駆動のアプローチを提案する。
提案手法では,GPSシステムや地理地図を必要とせず,測地データを用いてナビゲーションを行う。
論文 参考訳（メタデータ） (2024-02-06T13:20:56Z) - Physics-Informed Calibration of Aeromagnetic Compensation in Magnetic
Navigation Systems using Liquid Time-Constant Networks [0.09514898210006967]
磁気航法 (MagNav) はGPS(Global Positioning System)の代替であり、航空機の航法に有用であることが証明されている。
従来の航空航法システムでは、特定の環境での精度と信頼性、攻撃に対する制限に直面している。
我々は,MagNav位置推定のためのクリーンで信頼性が高く正確な磁気信号を抽出するための物理情報を用いた機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-17T22:46:51Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - Signal Detection in MIMO Systems with Hardware Imperfections: Message
Passing on Neural Networks [101.59367762974371]
本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。
パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。
我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
論文 参考訳（メタデータ） (2022-10-08T04:32:58Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Magnetic Field Prediction Using Generative Adversarial Networks [0.0]
生成逆数ネットワーク(GAN)構造を用いて,空間のランダムな点における磁場の値を予測する。
ディープラーニング(DL)アーキテクチャは、与えられた磁場の欠落した磁場値を予測するジェネレータと、実際の磁場分布と生成された磁場分布の間の統計的距離を計算するために訓練された批評家の2つのニューラルネットワークで構成される。
訓練されたジェネレータは、フィールドポイントの1つのコヒーレント領域が欠落している場合の5.14%、空間における数点測定しか得られていない場合の5.86%の中央値再構成テスト誤差で、フィールド値の欠落を予測できることを学習した。
論文 参考訳（メタデータ） (2022-03-14T12:31:54Z) - Detecting and Diagnosing Terrestrial Gravitational-Wave Mimics Through
Feature Learning [0.7388859384645262]
本稿では,超複雑系の突発的過渡異常を検知し,特徴付ける手法の実証について述べる。
重力波の発見を制限する問題の1つは、地球起源のノイズアーティファクトである。
我々は,高度に解釈可能な畳み込み分類器が,補助検出器データから過渡的異常を自動的に検出する方法を示す。
論文 参考訳（メタデータ） (2022-03-09T23:39:41Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。
異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文 参考訳（メタデータ） (2021-07-28T10:19:58Z) - Signal Enhancement for Magnetic Navigation Challenge Problem [2.1374806859886495]
本稿では,地磁気信号と航空機磁気信号を分離してクリーンな信号を導出し,磁気ナビゲーションを実現することを目的とする。
データセットのベースラインテストでは、機械学習(ML)を用いて全磁場から地球磁場を抽出できることが示されている。
課題は、訓練されたニューラルネットワークを用いて、航空機の磁場を全磁場から除去することである。
論文 参考訳（メタデータ） (2020-07-23T17:44:02Z)
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。