論文の概要: Inverse Reconstruction of Shock Time Series from Shock Response Spectrum Curves using Machine Learning

• arxiv url: http://arxiv.org/abs/2603.03229v2
• Date: Thu, 05 Mar 2026 16:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 15:25:24.27226
• Title: Inverse Reconstruction of Shock Time Series from Shock Response Spectrum Curves using Machine Learning
• Title（参考訳）: 機械学習を用いた衝撃応答スペクトル曲線からの衝撃時系列の逆再構成
• Authors: Adam Watts, Andrew Jeon, Destry Newton, Ryan Bowering,
• Abstract要約: 本研究では,SRSからアクセラレーション時系列へのデータ駆動逆写像を学習する条件付き変分オートエンコーダを提案する。 実験では、古典的手法に対するスペクトルの忠実度の向上、目に見えないスペクトルへの強い一般化、推論速度の3～6桁の高速化が示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The shock response spectrum (SRS) is widely used to characterize the response of single-degree-of-freedom (SDOF) systems to transient accelerations. Because the mapping from acceleration time history to SRS is nonlinear and many-to-one, reconstructing time-domain signals from a target spectrum is inherently ill-posed. Conventional approaches address this problem through iterative optimization, typically representing signals as sums of exponentially decayed sinusoids, but these methods are computationally expensive and constrained by predefined basis functions. We propose a conditional variational autoencoder (CVAE) that learns a data-driven inverse mapping from SRS to acceleration time series. Once trained, the model generates signals consistent with prescribed target spectra without requiring iterative optimization. Experiments demonstrate improved spectral fidelity relative to classical techniques, strong generalization to unseen spectra, and inference speeds three to six orders of magnitude faster. These results establish deep generative modeling as a scalable and efficient approach for inverse SRS reconstruction.
• Abstract（参考訳）: 衝撃応答スペクトル(SRS)は、過渡加速度に対する単一自由度(SDOF)系の応答を特徴付けるために広く用いられている。 加速度時間履歴からSRSへのマッピングは非線形かつ多対一であるため、対象スペクトルからの時間領域信号の再構成は本質的に不適切である。 従来の手法では、信号は指数関数的に崩壊した正弦波の和として表されるが、これらの手法は計算コストが高く、事前定義された基底関数によって制約される。 SRSから加速度時系列へのデータ駆動逆写像を学習する条件付き変分オートエンコーダ(CVAE)を提案する。 訓練後、モデルは反復最適化を必要とせず、所定の目標スペクトルと整合した信号を生成する。 実験では、古典的手法に対するスペクトルの忠実度の向上、目に見えないスペクトルへの強い一般化、推論速度の3～6桁の高速化が示されている。 これらの結果は、逆SRS再構成のためのスケーラブルで効率的なアプローチとして、深層生成モデリングを確立している。

関連論文リスト

• Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
  PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。 本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-10T14:31:53Z)
• Escaping Spectral Bias without Backpropagation: Fast Implicit Neural Representations with Extreme Learning Machines [4.6894180050630005]
  暗黙の神経表現(INR)を訓練して、細部を捉えることは、通常反復的なバックプロパゲーションに依存する。 ELM-INRは、ドメインを反復的に分解し、エクストリームラーニングマシン(ELM)をクローズド形式で各ローカル問題に適合させるバックプロパゲーションフリーINRである。 この設計は、局所予測器を一意に分割することで高速で数値的に堅牢な再構成をもたらす。
  論文  参考訳（メタデータ） (2026-02-07T16:12:39Z)
• Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration [67.12978375116599]
  勾配降下(GD)のステップが一般化されたパーセプトロンアルゴリズムのステップに還元されることを示す。 これは、ニューラルネットワークで観測される最適化力学と暗黙の加速現象を説明するのに役立つ。
  論文  参考訳（メタデータ） (2025-12-12T14:16:35Z)
• Frequency-Constrained Learning for Long-Term Forecasting [15.31488551912888]
  実世界の時系列は、物理法則、人間のルーチン、季節周期から生じる強い周期構造を示す。 現代の深層予測モデルは、スペクトルバイアスと周波数認識による誘導前兆の欠如により、繰り返し発生するパターンを捉えることができないことが多い。 本稿では,周期性を明示的にモデル化し,長期予測を効果的に行う手法を提案する。
  論文  参考訳（メタデータ） (2025-08-02T22:12:15Z)
• LSCD: Lomb-Scargle Conditioned Diffusion for Time series Imputation [55.800319453296886]
  欠落または不規則なサンプルデータを持つ時系列は、機械学習において永続的な課題である。 我々は,不規則サンプルデータのパワースペクトルの信頼性の高い計算を可能にする,異なるLombiable-Scargle層を導入する。
  論文  参考訳（メタデータ） (2025-06-20T14:48:42Z)
• SpINR: Neural Volumetric Reconstruction for FMCW Radars [0.15193212081459279]
  本稿では、周波数変調連続波(FMCW)レーダデータを用いたボリューム再構成のための新しいフレームワークSpINRを紹介する。 従来のバックプロジェクション手法や既存の学習ベースアプローチよりも,SpINRの方が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-30T04:44:57Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• STAF: Sinusoidal Trainable Activation Functions for Implicit Neural Representation [7.2888019138115245]
  Inlicit Neural Representations (INR) は、連続的な信号をモデリングするための強力なフレームワークとして登場した。 ReLUベースのネットワークのスペクトルバイアスは、十分に確立された制限であり、ターゲット信号の微細な詳細を捕捉する能力を制限する。 Sinusoidal Trainable Function Activation (STAF)について紹介する。 STAFは本質的に周波数成分を変調し、自己適応型スペクトル学習を可能にする。
  論文  参考訳（メタデータ） (2025-02-02T18:29:33Z)
• Synthetic Wave-Geometric Impulse Responses for Improved Speech Dereverberation [69.1351513309953]
  室内インパルス応答 (RIR) の低周波成分を正確にシミュレートすることが, 良好な脱ヴァーベレーションを実現する上で重要であることを示す。 本研究では, ハイブリッド合成RIRで訓練された音声残響モデルが, 従来の幾何線トレーシング法により学習されたRIRで訓練されたモデルよりも優れていたことを示す。
  論文  参考訳（メタデータ） (2022-12-10T20:15:23Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Simpler is better: spectral regularization and up-sampling techniques for variational autoencoders [1.2234742322758418]
  ニューラルネットワークに基づく生成モデルのスペクトル挙動のキャラクタリゼーションは未解決のままである。 最近の研究は、生成的対向ネットワークと、実画像と生成画像の高周波の相違に重点を置いている。 変分オートエンコーダ(VAE)のための単純な2次元フーリエ変換に基づくスペクトル正規化損失を提案する。
  論文  参考訳（メタデータ） (2022-01-19T11:49:57Z)

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。