論文の概要: MEMS Gyroscope Multi-Feature Calibration Using Machine Learning Technique

• arxiv url: http://arxiv.org/abs/2410.07519v1
• Date: Thu, 10 Oct 2024 01:21:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 16:36:31.322098
• Title: MEMS Gyroscope Multi-Feature Calibration Using Machine Learning Technique
• Title（参考訳）: 機械学習を用いたMEMSジャイロスコープ多機能校正
• Authors: Yaoyao Long, Zhenming Liu, Cong Hao, Farrokh Ayazi,
• Abstract要約: 本研究では、機械学習(ML)を活用し、MEMSジャイロ共振器の複数の信号を用いて校正を改善する。 XGBoostは、高い予測精度と複雑な非線形関係を扱う能力で知られており、校正プロセスを強化するために使われている。 その結果,XGBoostとモデルの両方がノイズを著しく低減し,精度と安定性を向上し,従来のキャリブレーション法よりも優れていた。
• 参考スコア（独自算出の注目度）: 6.972912567929995
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gyroscopes are crucial for accurate angular velocity measurements in navigation, stabilization, and control systems. MEMS gyroscopes offer advantages like compact size and low cost but suffer from errors and inaccuracies that are complex and time varying. This study leverages machine learning (ML) and uses multiple signals of the MEMS resonator gyroscope to improve its calibration. XGBoost, known for its high predictive accuracy and ability to handle complex, non-linear relationships, and MLP, recognized for its capability to model intricate patterns through multiple layers and hidden dimensions, are employed to enhance the calibration process. Our findings show that both XGBoost and MLP models significantly reduce noise and enhance accuracy and stability, outperforming the traditional calibration techniques. Despite higher computational costs, DL models are ideal for high-stakes applications, while ML models are efficient for consumer electronics and environmental monitoring. Both ML and DL models demonstrate the potential of advanced calibration techniques in enhancing MEMS gyroscope performance and calibration efficiency.
• Abstract（参考訳）: ジャイロスコープは、ナビゲーション、安定化、制御システムにおける正確な角速度測定に不可欠である。 MEMSジャイロスコープはコンパクトサイズや低コストといった利点があるが、複雑で時間も異なるエラーや不正確さに悩まされている。 本研究では、機械学習(ML)を活用し、MEMS共振器ジャイロスコープの複数の信号を用いて校正を改善する。 XGBoostは複雑な非線形関係を扱える高い予測精度と能力で知られ、複数の層と隠された次元を通して複雑なパターンをモデル化できる能力があることを認識し、校正プロセスを強化するために使用される。 以上の結果から,XGBoostモデルとMLPモデルの両方がノイズを著しく低減し,精度と安定性が向上し,従来のキャリブレーション法よりも優れていた。 計算コストは高いが、DLモデルは高いスループットのアプリケーションに最適であり、MLモデルは消費者電子製品や環境モニタリングに最適である。 MLモデルとDLモデルの両方が、MEMSジャイロ性能とキャリブレーション効率を向上させるための高度なキャリブレーション技術の可能性を示している。

関連論文リスト

• Atomic Calibration of LLMs in Long-Form Generations [46.01229352035088]
  大型言語モデル(LLM)は幻覚に悩まされることが多く、現実世界のアプリケーションにとって大きな課題となっている。 我々は,原子の反応を原子のクレームに分解することで,ファクトリティのキャリブレーションをきめ細かなレベルで評価する新しい手法である原子キャリブレーションを導入する。 実験の結果,原子キャリブレーションは長文生成に適しており,マクロキャリブレーションの結果も改善できることがわかった。
  論文  参考訳（メタデータ） (2024-10-17T06:09:26Z)
• SliM-LLM: Salience-Driven Mixed-Precision Quantization for Large Language Models [67.67135738642547]
  後学習量子化(PTQ)は、大規模言語モデル(LLM)において研究される強力な圧縮手法である。 既存のPTQ法は、特に4ビット幅以下では、精度と効率の点で理想的ではない。 本稿では,LSM,すなわちSliM-LLMに対するSalience-Driven Mixed-Precision Quantizationスキームを提案する。
  論文  参考訳（メタデータ） (2024-05-23T16:21:48Z)
• LLMC: Benchmarking Large Language Model Quantization with a Versatile Compression Toolkit [55.73370804397226]
  鍵圧縮技術である量子化は、大きな言語モデルを圧縮し、加速することにより、これらの要求を効果的に軽減することができる。 本稿では,プラグアンドプレイ圧縮ツールキットであるLLMCについて,量子化の影響を公平かつ体系的に検討する。 この汎用ツールキットによって、我々のベンチマークはキャリブレーションデータ、アルゴリズム(3つの戦略)、データフォーマットの3つの重要な側面をカバーしています。
  論文  参考訳（メタデータ） (2024-05-09T11:49:05Z)
• Calibrating Large Language Models with Sample Consistency [76.23956851098598]
  本稿では,複数サンプルモデル生成系の分布から信頼度を導出する可能性について,一貫性の3つの尺度を用いて検討する。 その結果、一貫性に基づくキャリブレーション手法は、既存のポストホック手法よりも優れていることがわかった。 種々のLMの特性に合わせて,キャリブレーションに適した整合性指標を選択するための実用的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-02-21T16:15:20Z)
• Thermometer: Towards Universal Calibration for Large Language Models [22.03852781949075]
  大規模言語モデル(LLM)に適したキャリブレーション手法であるOMETERを提案する。 OMETERは、複数のタスクから与えられたデータに基づいて補助モデルを学び、LLMを校正する。 計算効率が高く、LLMの精度を保ち、新しいタスクに対してより良い校正された応答を生成する。
  論文  参考訳（メタデータ） (2024-02-20T04:13:48Z)
• CATfOOD: Counterfactual Augmented Training for Improving Out-of-Domain Performance and Calibration [59.48235003469116]
  データの増大はOOD性能を継続的に向上させることを示す。 また, CF拡張モデルのキャリブレーションが容易な場合, 重要度を割り当てる場合, エントロピーがはるかに低いことを示す。
  論文  参考訳（メタデータ） (2023-09-14T16:16:40Z)
• Bayesian Calibration of MEMS Accelerometers [0.0]
  誤差補正関数のパラメータは、校正プロセス中に決定される。 様々なノイズ源のため、これらのパラメータは精度で決定できないため、キャリブレーションモデルに不確かさを組み込むことが望ましい。 本研究では,MEMS加速度計データのキャリブレーションにおけるベイズ法について,近年の確率計画法を応用した簡単な手法を提案する。
  論文  参考訳（メタデータ） (2023-06-09T09:10:28Z)
• Towards Unbiased Calibration using Meta-Regularization [6.440598446802981]
  2つのコンポーネントを持つメタ正則化により、より良い校正モデルを学ぶことを提案する。 ニューラルネットワークを3つのコンピュータビジョンデータセット上で改善し、偏りのないキャリブレーションに正規化するための提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2023-03-27T10:00:50Z)
• Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
  本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。 提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
  論文  参考訳（メタデータ） (2022-12-07T10:01:11Z)
• On the Importance of Calibration in Semi-supervised Learning [13.859032326378188]
  State-of-the-art (SOTA) の半教師付き学習(SSL)手法はラベル付きデータとラベルなしデータの混在を活用することに成功している。 我々は、キャリブレーションを最適化し、標準ビジョンベンチマークでその有効性を実証する新しいSSLモデル群を紹介します。
  論文  参考訳（メタデータ） (2022-10-10T15:41:44Z)
• Physics Guided Machine Learning for Variational Multiscale Reduced Order Modeling [58.720142291102135]
  本稿では,最小の計算コストで低次モデル(ROM)の精度を向上させるために,新しい物理誘導機械学習(PGML)パラダイムを提案する。 ROM基底の階層構造と変分マルチスケール(VMS)フレームワークは、解決されたROM空間スケールと未解決ROM空間スケールの自然な分離を可能にする。 現代的なPGMLアルゴリズムは、解決された、未解決のROMスケール間の相互作用のための新しいモデルを構築するために使用される。
  論文  参考訳（メタデータ） (2022-05-25T00:07:57Z)

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。