論文の概要: Characterization of Thermal Systems from Noisy and Low-resolution Measurements Using Dynamic Mode Decomposition

• arxiv url: http://arxiv.org/abs/2608.14581v1
• Date: Tue, 16 Jun 2026 18:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.218014
• Title: Characterization of Thermal Systems from Noisy and Low-resolution Measurements Using Dynamic Mode Decomposition
• Title（参考訳）: 動的モード分解を用いたノイズ・低分解能計測による熱システムのキャラクタリゼーション
• Abstract要約: 実用における熱モニタリングは、しばしばスパースセンシング、計測ノイズ、空間分解能の制限によって制限される。 この章では、測定データから構造を抽出するための動的デモードコンポジション(DMD)の使用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thermal monitoring in practical applications is often constrained by sparse sensing, measurement noise, and limited spatial resolution, which hinder the identification of heat transfer dynamics. In such settings, calibrating high-fidelity physical models is computationally demanding, motivating data-driven approaches. Dynamic Mode Decomposition (DMD) provides a framework for extracting spatiotemporal structures from measurement data, but its standard formulation is sensitive to noise and degraded observations. This chapter examines the use of DMD under these constraints, focusing on preprocessing and truncation strategies that affect stability and interpretability. Two cases are considered: forced convection with thermocouple data and transient heat conduction from degraded thermal images. The number of retained modes is treated as a modeling parameter that governs the trade-off between reconstruction fidelity and noise sensitivity. The results indicate that DMD recovers dominant thermal behavior from both sparse and degraded datasets when the truncation level is appropriately selected. Low-rank models provide stable but simplified descriptions, while higher-rank models improve spatial detail at the cost of increased noise sensitivity.
• Abstract（参考訳）: 実用における熱モニタリングは、しばしばスパースセンシング、測定ノイズ、空間分解能の制限によって制約され、熱伝達ダイナミクスの識別を妨げる。 このような設定では、高忠実度物理モデルの校正は、計算的に要求され、データ駆動アプローチを動機付けている。 動的モード分解(DMD)は、測定データから時空間構造を抽出するフレームワークを提供するが、標準定式化はノイズや劣化した観測に敏感である。 本章では、これらの制約下でのMDDの使用について検討し、安定性と解釈可能性に影響を与える事前処理とトランケーション戦略に焦点を当てる。 熱電対データによる強制対流と劣化熱画像からの過渡熱伝導の2例を考察した。 保持モードの数は、再構成忠実度と雑音感度とのトレードオフを管理するモデルパラメータとして扱われる。 その結果, DMDは乱れレベルが適切に選択された場合に, スパースおよび劣化したデータセットから支配的な熱挙動を回復することがわかった。 低ランクモデルは安定しているが単純化された記述を提供するが、高ランクモデルはノイズ感度の増大による空間的詳細性を改善する。

関連論文リスト

• FAHCD-Net: Frequency-Adaptive Heatmap-Conditional Diffusion Networks for Robust Facial Landmark Detection [4.9271715782923335]
  周波数適応型熱マップ型拡散ネットワーク(FAHCD-Net)を提案する。 FAHCD-Netは、周波数適応型ヒートマップ・Conditional Diffusion(FAHCD)モデルを統合する。 一般的なベンチマーク実験では,提案手法の有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2026-09-15T08:36:20Z)
• Improving Reduced-Order Rotating Detonation Engine Models with Data Assimilation and Machine Learning [2.225353152447347]
  1次元コッホ・クッツモデルのような低次モデルでは波動の動きを捉えるが、高周波コンテンツに対する表現性が欠如している。 連続データ同化(ニュジング)を用いて,Koch-Kutzソルバと処理された高忠実度温度データとを同期させる。 強度が増大するにつれて、縮小されたモデルが高忠実度軌道に徐々に描画される。
  論文  参考訳（メタデータ） (2026-09-14T19:05:23Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Comprehensive Robust Dynamic Mode Decomposition from Mode Extraction to Dimensional Reduction [16.886493310057194]
  包括的動的ロバストモード分解(CR-DMD)は、プロセス全体を堅牢化するフレームワークである。 CR-DMDは、雑音条件下での低次元表現のモード精度と忠実度の観点から、最先端の頑健なDMD法より一貫して優れている。
  論文  参考訳（メタデータ） (2026-01-16T09:21:56Z)
• Causal Multi-fidelity Surrogate Forward and Inverse Models for ICF Implosions [0.0]
  inertial confinement fusion (ICF) は、実験的な観測とシミュレーション入力パラメータに関する逆問題の解法を必要とする。 ここでは、ICFカプセルの重水素トリチウム(DT)界面を考察し、時間依存の放射温度駆動から界面の半径と速度のダイナミクスにマッピングする因果的、動的、多面的還元次代理を構築する。 我々は,高エネルギー密度システムの発見,設計,診断を加速するために,演算子学習,因果的アーキテクチャ,物理的帰納バイアスをいかに統合するかを示す。
  論文  参考訳（メタデータ） (2025-09-05T21:39:53Z)
• Temperature calibration of surface emissivities with an improved thermal image enhancement network [8.19646340914779]
  赤外線サーモグラフィーは、物質放射率の変化による温度精度の持続的な課題に直面している。 本研究では、温度補正と画像強調を統一する物理誘導型ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-20T07:40:05Z)
• Triply Laplacian Scale Mixture Modeling for Seismic Data Noise Suppression [51.87076090814921]
  ポーラシティに基づくテンソルリカバリ法は, 地震データノイズを抑制する大きな可能性を示している。 本研究では, 3次元ラプラシアンスケール混合(TLSM)による地震波の抑制手法を提案する。
  論文  参考訳（メタデータ） (2025-02-20T08:28:01Z)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Extension of Dynamic Mode Decomposition for dynamic systems with incomplete information based on t-model of optimal prediction [69.81996031777717]
  動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。 このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。 本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
  論文  参考訳（メタデータ） (2022-02-23T11:23:59Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)

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。