論文の概要: Analysis and Optimization of Seismic Monitoring Networks with Bayesian Optimal Experiment Design
- arxiv url: http://arxiv.org/abs/2410.07215v2
- Date: Mon, 14 Oct 2024 19:47:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 21:37:02.361392
- Title: Analysis and Optimization of Seismic Monitoring Networks with Bayesian Optimal Experiment Design
- Title（参考訳）: ベイズ最適実験設計による地震モニタリングネットワークの解析と最適化
- Authors: Jake Callahan, Kevin Monogue, Ruben Villarreal, Tommie Catanach,
- Abstract要約: ベイズ最適実験設計(OED)は、不確実性を最適に低減できるデータ、センサーの構成、実験を特定することを目指している。
情報理論は、最適化問題として実験やセンサ配置の選択を定式化し、OEDを導出する。
本研究では,ベイジアンOEDをセンサネットワークの地震イベント検出能力の最適化に用いるために必要なフレームワークを開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Monitoring networks increasingly aim to assimilate data from a large number of diverse sensors covering many sensing modalities. Bayesian optimal experimental design (OED) seeks to identify data, sensor configurations, or experiments which can optimally reduce uncertainty and hence increase the performance of a monitoring network. Information theory guides OED by formulating the choice of experiment or sensor placement as an optimization problem that maximizes the expected information gain (EIG) about quantities of interest given prior knowledge and models of expected observation data. Therefore, within the context of seismo-acoustic monitoring, we can use Bayesian OED to configure sensor networks by choosing sensor locations, types, and fidelity in order to improve our ability to identify and locate seismic sources. In this work, we develop the framework necessary to use Bayesian OED to optimize a sensor network's ability to locate seismic events from arrival time data of detected seismic phases at the regional-scale. Bayesian OED requires four elements: 1) A likelihood function that describes the distribution of detection and travel time data from the sensor network, 2) A Bayesian solver that uses a prior and likelihood to identify the posterior distribution of seismic events given the data, 3) An algorithm to compute EIG about seismic events over a dataset of hypothetical prior events, 4) An optimizer that finds a sensor network which maximizes EIG. Once we have developed this framework, we explore many relevant questions to monitoring such as: how to trade off sensor fidelity and earth model uncertainty; how sensor types, number, and locations influence uncertainty; and how prior models and constraints influence sensor placement.
- Abstract（参考訳）: 監視ネットワークは、多くのセンシングモードをカバーする多数の多様なセンサーからのデータを同化することを目指している。
ベイズ最適実験設計(OED)は、不確実性を最適に低減し、監視ネットワークの性能を向上させるデータ、センサー構成、実験を特定することを目指している。
情報理論は、事前の知識と期待される観測データのモデルに対して、期待される情報ゲイン(EIG)を最大化する最適化問題として、実験またはセンサ配置の選択を定式化することにより、OEDを導出する。
したがって,地震・音響モニタリングの文脈では,ベイジアンOEDを用いてセンサの位置,タイプ,忠実度を選択してセンサネットワークを構成することで,地震源の特定・発見能力を向上させることができる。
本研究では,検出された地震相の到着時刻データから地震イベントを検出するセンサネットワークの能力を最適化するために,ベイジアンOEDを利用するために必要なフレームワークを開発する。
1) センサネットワークから検出・走行時間データの分布を記述する確率関数,2) 得られた地震事象の後方分布を特定する確率関数,3) 仮説的先行事象のデータセット上での地震事象に関するEIGを計算するアルゴリズム,4) センサネットワークを最大化する最適化器。
このフレームワークを開発した後、センサの忠実さと地球モデルの不確実性をトレードオフする方法、センサタイプ、番号、位置が不確実性にどのように影響するか、事前モデルと制約がセンサ配置にどのように影響するか、といった監視に関する多くの関連する質問について検討する。
関連論文リスト
- Learnable WSN Deployment of Evidential Collaborative Sensing Model [11.389924009815795]
無線センサネットワーク(WSN)では、検出タスクの実行において、カバレッジとデプロイメントが最も重要な2つの問題である。
我々は,WSNの検出能力を向上するセンサの協調センシングモデルを開発した。
学習可能なセンサ配置ネットワーク(LSDNet)を提案し,WSNの最適展開を実現する。
論文 参考訳（メタデータ） (2024-03-23T05:29:09Z) - Sensor Placement for Learning in Flow Networks [6.680930089714339]
本稿では,ネットワークのセンサ配置問題について検討する。
まず, 流れの保存仮定に基づいて問題を定式化し, 最適に固定されたセンサを配置することがNPハードであることを示す。
次に,大規模ネットワークにスケールするセンサ配置のための効率よく適応的なグリージーを提案する。
論文 参考訳（メタデータ） (2023-12-12T01:08:08Z) - A distributed neural network architecture for dynamic sensor selection
with application to bandwidth-constrained body-sensor networks [53.022158485867536]
ディープニューラルネットワーク(DNN)のための動的センサ選択手法を提案する。
データセット全体の固定選択ではなく、個々の入力サンプルに対して最適なセンササブセット選択を導出することができる。
無線センサネットワーク(WSN)の寿命を、各ノードの送信頻度に制約を加えることで、この動的選択をいかに利用できるかを示す。
論文 参考訳（メタデータ） (2023-08-16T14:04:50Z) - Design Space Exploration on Efficient and Accurate Human Pose Estimation
from Sparse IMU-Sensing [0.04594153909580514]
HPE(Human Pose Estimation)は、スポーツ、リハビリテーション、仕事の安全などにおいて、個人データを損なうことなく正確な感覚を必要とする。
ハードウェアリソースの正確性と効率的な利用との間の中心的なトレードオフは、研究ではほとんど議論されない。
我々は、センサ構成の異なる公開ボディモデルデータセットからIMUデータを生成し、このデータでディープラーニングモデルをトレーニングする。
論文 参考訳（メタデータ） (2023-07-21T13:36:49Z) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - Environmental Sensor Placement with Convolutional Gaussian Neural
Processes [65.13973319334625]
センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。
確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。
本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
論文 参考訳（メタデータ） (2022-11-18T17:25:14Z) - GEM: Glare or Gloom, I Can Still See You -- End-to-End Multimodal Object
Detector [11.161639542268015]
厳しい照明条件下での2次元物体検出のためのセンサ対応マルチモーダル融合戦略を提案する。
本ネットワークは,各センサモダリティの測定信頼性をスカラーウェイトとマスクの形で推定する。
提案手法はFLIR-Thermalデータセット上で既存の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-02-24T14:56:37Z) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳（メタデータ） (2020-11-19T09:53:27Z) - Semantics-aware Adaptive Knowledge Distillation for Sensor-to-Vision
Action Recognition [131.6328804788164]
本稿では,視覚・センサ・モダリティ(動画)における行動認識を強化するためのフレームワーク,Semantics-Aware Adaptive Knowledge Distillation Networks (SAKDN)を提案する。
SAKDNは複数のウェアラブルセンサーを教師のモダリティとして使用し、RGB動画を学生のモダリティとして使用している。
論文 参考訳（メタデータ） (2020-09-01T03:38:31Z) - Learning a Probabilistic Strategy for Computational Imaging Sensor
Selection [16.553234762932938]
本稿では,センサ設計のための確率的センササンプリング戦略を学習する物理制約付き,完全微分可能なオートエンコーダを提案する。
提案手法は,センサ選択の相関関係を2次完全接続型Isingモデルとして特徴付ける,システムに好まれるサンプリング分布を学習する。
論文 参考訳（メタデータ） (2020-03-23T17:52:17Z) - Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。
予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。
我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
論文 参考訳（メタデータ） (2019-12-30T20:25:16Z)
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。