Fugu-MT 論文翻訳(概要): Prediction of Wort Density with LSTM Network

論文の概要: Prediction of Wort Density with LSTM Network

arxiv url: http://arxiv.org/abs/2403.06458v1
Date: Mon, 11 Mar 2024 06:36:33 GMT
ステータス: 処理完了
システム内更新日: 2024-03-12 20:13:39.532258
Title: Prediction of Wort Density with LSTM Network
Title（参考訳）: lstmネットワークによるwort密度の予測
Authors: Derk Rembold, Bernd Stauss, Stefan Schwarzkopf
Abstract要約: 本稿では,手動データ収集における誤差を低減するために,センサによるウール密度測定を支援するシステムを提案する。ワート密度を直接測定する代わりに、圧力や温度などの安価な標準センサーによって得られた測定値から密度を計算する方法を開発した。
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: Many physical target values in technical processes are error-prone, cumbersome, or expensive to measure automatically. One example of a physical target value is the wort density, which is an important value needed for beer production. This article introduces a system that helps the brewer measure wort density through sensors in order to reduce errors in manual data collection. Instead of a direct measurement of wort density, a method is developed that calculates the density from measured values acquired by inexpensive standard sensors such as pressure or temperature. The model behind the calculation is a neural network, known as LSTM.
Abstract（参考訳）: 技術的プロセスにおける多くの物理的ターゲット値は、エラーが発生しやすく、面倒で、自動的に測定するのにコストがかかる。物理目標値の例として、ビール生産に必要な重要な値であるウート密度がある。本稿では,手動データ収集における誤差を低減するために,センサによるウール密度測定を支援するシステムを提案する。ワート密度を直接測定する代わりに、圧力や温度などの安価な標準センサーによって得られた測定値から密度を計算する方法を開発した。計算の背後にあるモデルは、LSTMとして知られるニューラルネットワークである。

関連論文リスト

Density Estimation via Binless Multidimensional Integration [45.21975243399607]
非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。 BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
論文参考訳（メタデータ） (2024-07-10T23:45:20Z)
Semi-supervised Counting via Pixel-by-pixel Density Distribution Modelling [135.66138766927716]
本稿では,トレーニングデータのごく一部をラベル付けした半教師付き群集カウントに着目した。我々は1つの決定論的値ではなく、確率分布として回帰するためにピクセル単位の密度値を定式化する。本手法は,様々なラベル付き比率設定の下で,競争相手よりも明らかに優れる。
論文参考訳（メタデータ） (2024-02-23T12:48:02Z)
Density Estimation for Entry Guidance Problems using Deep Learning [0.0]
長い短期記憶ニューラルネットワークは、エントリー車両で利用可能な測定値と、それが飛んでいる密度プロファイルの間のマッピングを学習するために訓練される。訓練されたLSTMは、車両が飛行する密度プロファイルを予測し、既に飛行している密度プロファイルを再構築する。
論文参考訳（メタデータ） (2023-10-30T16:03:37Z)
Fast Kernel Density Estimation with Density Matrices and Random Fourier Features [0.0]
カーネル密度推定 (KDE) は、最も広く使われている非パラメトリック密度推定法の一つである。 DMKDEは密度行列、量子力学的定式化、ランダムフーリエ特徴、明示的なカーネル近似を用いて密度推定を生成する。 DMKDEは、計算密度推定の競合と同等であり、高次元データ上で実行された場合の利点が示される。
論文参考訳（メタデータ） (2022-08-02T02:11:10Z)
Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
論文参考訳（メタデータ） (2022-08-01T01:39:11Z)
Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
長期間のメモリ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言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文参考訳（メタデータ） (2021-11-29T12:24:02Z)
Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文参考訳（メタデータ） (2021-04-05T21:44:00Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
Nonparametric Density Estimation from Markov Chains [68.8204255655161]
我々はマルコフ・チェインにインスパイアされた新しい非パラメトリック密度推定器を導入し、よく知られたケルネル密度推定器を一般化する。我々の推定器は, 通常のものに対していくつかの利点を示し, 全密度アルゴリズムの基盤として容易に利用できる。
論文参考訳（メタデータ） (2020-09-08T18:33:42Z)
Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文参考訳（メタデータ） (2020-07-10T19:01:40Z)
Measuring effective temperatures of qubits using correlations [0.0]
純粋状態における量子ビットの初期化は、量子コンピュータ操作の前提条件である。本稿では,2つの逐次測定値の相関関係を用いて,量子ビットの励起状態の集団を求める手法を提案する。最大0.01%の精度で急激な量子ビット集団の測定を実験的に行った。
論文参考訳（メタデータ） (2020-01-02T04:33:31Z)

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。