論文の概要: SE-MLP Model for Predicting Prior Acceleration Features in Penetration Signals

• arxiv url: http://arxiv.org/abs/2512.23131v1
• Date: Mon, 29 Dec 2025 01:18:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.37029
• Title: SE-MLP Model for Predicting Prior Acceleration Features in Penetration Signals
• Title（参考訳）: 浸透信号の事前加速度特性予測のためのSE-MLPモデル
• Authors: Yankang Li, Changsheng Li,
• Abstract要約: 本稿では,SE-MLPと呼ばれる多層パーセプトロンアーキテクチャを提案する。 チャネルアテンションと残差接続を統合して、加速度特徴値の迅速な予測を可能にする。 数値シミュレーションとレンジリカバリ試験により,予測値と測定値の加速度ピークとパルス幅の差が許容される工学的許容範囲内にあることが示された。
• 参考スコア（独自算出の注目度）: 21.0646467947979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate identification of the penetration process relies heavily on prior feature values of penetration acceleration. However, these feature values are typically obtained through long simulation cycles and expensive computations. To overcome this limitation, this paper proposes a multi-layer Perceptron architecture, termed squeeze and excitation multi-layer perceptron (SE-MLP), which integrates a channel attention mechanism with residual connections to enable rapid prediction of acceleration feature values. Using physical parameters under different working conditions as inputs, the model outputs layer-wise acceleration features, thereby establishing a nonlinear mapping between physical parameters and penetration characteristics. Comparative experiments against conventional MLP, XGBoost, and Transformer models demonstrate that SE-MLP achieves superior prediction accuracy, generalization, and stability. Ablation studies further confirm that both the channel attention module and residual structure contribute significantly to performance gains. Numerical simulations and range recovery tests show that the discrepancies between predicted and measured acceleration peaks and pulse widths remain within acceptable engineering tolerances. These results validate the feasibility and engineering applicability of the proposed method and provide a practical basis for rapidly generating prior feature values for penetration fuzes.
• Abstract（参考訳）: 貫入過程の正確な同定は、貫入加速度の以前の特徴値に大きく依存する。 しかし、これらの特徴値は典型的には長いシミュレーションサイクルと高価な計算によって得られる。 この制限を克服するために, チャネルアテンション機構と残差接続を統合し, 加速度特性値の高速予測を可能にする多層パーセプトロンアーキテクチャ(SE-MLP)を提案する。 異なる作業条件下での物理パラメータを入力として、モデルは層単位での加速度特性を出力し、物理的パラメータと浸透特性の非線形マッピングを確立する。 従来のMLP、XGBoost、Transformerモデルとの比較実験により、SE-MLPはより優れた予測精度、一般化、安定性を実現することが示された。 アブレーション研究により、チャネルアテンションモジュールと残留構造の両方が性能向上に大きく寄与することを確認する。 数値シミュレーションとレンジリカバリ試験により,予測値と測定値の加速度ピークとパルス幅の差が許容される工学的許容範囲内にあることが示された。 これらの結果は,提案手法の有効性と工学的適用性を検証するとともに,浸透信管の先行特徴値を高速に生成するための実用的基盤を提供する。

関連論文リスト

• Temporal convolutional and fusional transformer model with Bi-LSTM encoder-decoder for multi-time-window remaining useful life prediction [0.0]
  本稿では,時間的特徴抽出のための時間的畳み込みネットワーク(TCN)を統合した新しいフレームワークを提案する。 このアーキテクチャは、健全な時間パターンを強調しながら、短期間および長期の依存関係を効果的にブリッジする。 提案モデルでは平均RMSEを最大5.5%削減し,最先端手法と比較して予測精度を向上した。
  論文  参考訳（メタデータ） (2025-11-06T11:29:57Z)
• Interpretable Spectral Features Predict Conductivity in Self-Driving Doped Conjugated Polymer Labs [2.8914750842461583]
  自動運転ラボは、自動化と機械学習を結合することで、より高速な材料発見を約束する。 我々は光分光法から解釈可能な分光指紋を学習し、電気伝導率を予測することでこの問題に対処する。
  論文  参考訳（メタデータ） (2025-09-06T18:00:40Z)
• Out-of-Sample Hydrocarbon Production Forecasting: Time Series Machine Learning using Productivity Index-Driven Features and Inductive Conformal Prediction [1.1534313664323632]
  本研究は, アウトオブサンプル炭化水素生産予測の堅牢性を高めるために設計された新しいMLフレームワークを紹介する。 The Volve (wells PF14, PF12) and Norne (well E1H) oil field, this study is using the historical data from the Volve (wells PF14, PF12) and Norne (well E1H) oil field, we investigated the effective of various predictive algorithm。
  論文  参考訳（メタデータ） (2025-08-12T19:14:46Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。 長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。 従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。 本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [42.76841620787673]
  本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。 提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
  論文  参考訳（メタデータ） (2025-06-16T15:38:39Z)
• Towards Stabilized and Efficient Diffusion Transformers through Long-Skip-Connections with Spectral Constraints [51.83081671798784]
  Diffusion Transformers (DiT) は、画像およびビデオ生成のための強力なアーキテクチャとして登場し、優れた品質とスケーラビリティを提供している。 DiTの実用アプリケーションは本質的に動的特徴不安定性に悩まされており、キャッシュされた推論中にエラーを増幅する。 我々は,Long-Skip-Connections (LSCs) で拡張された画像およびビデオ生成型DiTであるSkip-DiTを提案する。
  論文  参考訳（メタデータ） (2024-11-26T17:28:10Z)
• PointMT: Efficient Point Cloud Analysis with Hybrid MLP-Transformer Architecture [46.266960248570086]
  本研究は,効率的な特徴集約のための複雑局所的注意機構を導入することで,自己注意機構の二次的複雑さに取り組む。 また,各チャネルの注目重量分布を適応的に調整するパラメータフリーチャネル温度適応機構を導入する。 我々は,PointMTが性能と精度の最適なバランスを維持しつつ,最先端手法に匹敵する性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-08-10T10:16:03Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• A physics-informed neural network method for the approximation of slow invariant manifolds for the general class of stiff systems of ODEs [0.0]
  我々は、遅い不変多様体(SIM)の発見のための物理インフォームドニューラルネットワーク(PINN)アプローチを提案する。 削減順序のブラックボックスサロゲートモデルを構成する他の機械学習(ML)アプローチとは対照的に,我々のアプローチはベクトル場を高速かつ低速なコンポーネントに分解する。 提案手法は,QSSA,PEA,CSPが提供する手法よりも,同等あるいは高い精度でSIM近似を提供することを示す。
  論文  参考訳（メタデータ） (2024-03-18T09:10:39Z)
• Data-driven prognostics based on time-frequency analysis and symbolic recurrent neural network for fuel cells under dynamic load [10.36283155920333]
  本研究では、Hilbert-Huang変換を用いて、動的操作条件下での健康指標を抽出するデータ駆動型PEMFC予測手法を提案する。 提案したデータ駆動型確率論的アプローチは、計算コストの低い競合的確率論的地平を提供する。
  論文  参考訳（メタデータ） (2023-02-03T12:52:49Z)

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。