論文の概要: Electrical Impedance Tomography for Anisotropic Media: a Machine Learning Approach to Classify Inclusions

• arxiv url: http://arxiv.org/abs/2502.04273v1
• Date: Thu, 06 Feb 2025 18:15:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:29:22.483697
• Title: Electrical Impedance Tomography for Anisotropic Media: a Machine Learning Approach to Classify Inclusions
• Title（参考訳）: 異方性媒質の電気インピーダンストモグラフィ--介在物分類のための機械学習アプローチ
• Authors: Romina Gaburro, Patrick Healy, Shraddha Naidu, Clifford Nolan,
• Abstract要約: 我々は、背景伝導体$OmegasubsetmathbbR2$における1つまたは複数の包含物を特定する問題を考える。 我々のモデルは、ニューラルネットワーク(ANN)とSVM(Support Vector Machines)の機械学習技術と組み合わせて、包含物のサイズ、複数の包含物の存在、および包含物内の異方性を決定するために使用できる。 包含物検出の精度は高いが, 包含物のサイズを予測する際には, 2つの測定値が十分であることを示す。
• 参考スコア（独自算出の注目度）: 0.18749305679160366
• License:
• Abstract: We consider the problem in Electrical Impedance Tomography (EIT) of identifying one or multiple inclusions in a background-conducting body $\Omega\subset\mathbb{R}^2$, from the knowledge of a finite number of electrostatic measurements taken on its boundary $\partial\Omega$ and modelled by the Dirichlet-to-Neumann (D-N) matrix. Once the presence of one inclusion in $\Omega$ is established, our model, combined with the machine learning techniques of Artificial Neural Networks (ANN) and Support Vector Machines (SVM), may be used to determine the size of the inclusion, the presence of multiple inclusions, and also that of anisotropy within the inclusion(s). Utilising both real and simulated datasets within a 16-electrode setup, we achieve a high rate of inclusion detection and show that two measurements are sufficient to achieve a good level of accuracy when predicting the size of an inclusion. This underscores the substantial potential of integrating machine learning approaches with the more classical analysis of EIT and the inverse inclusion problem to extract critical insights, such as the presence of anisotropy.
• Abstract（参考訳）: 我々は、背景導電体$\Omega\subset\mathbb{R}^2$における1つまたは複数の介在物を同定する電気インピーダンストモグラフィー(EIT)の問題について、その境界線$\partial\Omega$とDirichlet-to-Neumann (D-N)行列でモデル化された有限個の静電測定の知識から考察する。 一度$\Omega$の1つのインクルージョンが確立されれば、我々のモデルは、Artificial Neural Networks(ANN)とSupport Vector Machines(SVM)の機械学習技術と組み合わせて、インクルージョンのサイズ、複数のインクルージョンの存在、そしてインクルージョン内の異方性も決定することができる。 実データとシミュレーションデータの両方を16電極構成で利用し、高い包摂検出率を実現し、2つの測定値が、包摂率の予測に十分な精度を実現するのに十分であることを示す。 このことは、機械学習アプローチをEITのより古典的な分析と逆包摂問題と統合し、異方性の存在のような批判的な洞察を抽出する可能性を示している。

関連論文リスト

• Enhanced Shadow Tomography of Molecular Excited States from Enforcing $N$-representability Conditions by Semidefinite Programming [0.0]
  本稿では,2電子還元密度行列 (2-RDM) 上の物理制約と古典的影トモグラフィーを組み合わせることで,励起状態の処理を行うアルゴリズムを提案する。 この手法は、(i)シャドウトモグラフィと呼ばれるランダムサンプリング手法により量子状態を近似することにより、量子コンピュータ上の多電子2-RDMの測定数を減少させる。 我々はH$_4$鎖の励起状態エネルギーと2-RDMを計算し、円錐交差を介してガウシェ-1,3-ブタジエンからビシクロブタンへの光励起反応経路の臨界点を解析した。
  論文  参考訳（メタデータ） (2024-08-20T17:27:48Z)
• Nanoscale single-electron box with a floating lead for quantum sensing: modelling and device characterization [0.0]
  本研究では,浮動小数点ノードによる単一電子箱(SEB)の詳細な解析を行う。 集積シリコン量子ドット(QD)のための単一電子電荷センシング技術のコンテキストを解析し、特徴付ける。
  論文  参考訳（メタデータ） (2024-04-23T13:05:36Z)
• Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
  一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。 耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。 距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
  論文  参考訳（メタデータ） (2024-02-22T16:33:48Z)
• Enhanced sampling of robust molecular datasets with uncertainty-based collective variables [0.0]
  化学関連データポイントの取得を導くために,不確実性を集合変数(CV)として活用する手法を提案する。 このアプローチでは、1つのモデルからのガウス混合モデルに基づく不確実性測定を、偏りのある分子動力学シミュレーションのためのCVとして採用する。
  論文  参考訳（メタデータ） (2024-02-06T06:42:51Z)
• Multi-constrained Symmetric Nonnegative Latent Factor Analysis for Accurately Representing Large-scale Undirected Weighted Networks [2.1797442801107056]
  ビッグデータ関連アプリケーションでは、Undirected Weighted Network (UWN) が頻繁に発生する。 解析モデルは、UWNの固有対称性を記述するために、その対称性トポロジーを慎重に考慮する必要がある。 本稿では,2次元アイデアを用いた多制約対称性非負遅延要素分析モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:13:16Z)
• Proximal Symmetric Non-negative Latent Factor Analysis: A Novel Approach to Highly-Accurate Representation of Undirected Weighted Networks [2.1797442801107056]
  Undirected Weighted Network (UWN) は、ビッグデータ関連のアプリケーションで一般的に見られる。 既存のモデルは本質対称性や低データ密度のモデル化に失敗する。 近軸対称非負の潜在因子分析モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-06T13:03:24Z)
• 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)
• Electromagnetically induced transparency in inhomogeneously broadened divacancy defect ensembles in SiC [52.74159341260462]
  電磁誘導透過 (EIT) は、光信号と電子スピンの量子コヒーレンスの間に強く堅牢な相互作用を与える現象である。 この材料プラットフォームにおいても,計測幾何学の慎重に設計した上で,EITを高視認性で確立できることが示される。 本研究は,多層システムにおけるEITの非均一性に対する理解を提供し,半導体の幅広い欠陥に対する考察である。
  論文  参考訳（メタデータ） (2022-03-18T11:22:09Z)
• Stochastic Approximation for Online Tensorial Independent Component Analysis [98.34292831923335]
  独立成分分析(ICA)は統計機械学習や信号処理において一般的な次元削減ツールである。 本稿では,各独立成分を推定する副産物オンライン時系列アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-28T18:52:37Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。