文献

J-GLOBAL ID：202002232830378571   整理番号：20A1628102

伝達学習,フェーズドLSTMおよび相関エントロピー損失を用いた水質の調査【JST・京大機械翻訳】

Investigation of water quality using transfer learning, phased LSTM and correntropy loss

著者 (3件)： Michieletto Lorenzo (Sapienza Univ. di Roma (Italy)) ,  Ouyang Bing (Florida Atlantic Univ., Harbor Branch Oceanographic Institute (United States)) ,  Wills Paul S. (Florida Atlantic Univ., Harbor Branch Oceanographic Institute (United States))
資料名： Proceedings of SPIE  (Proceedings of SPIE)
巻： 11395  ページ： 113950P-13  発行年： 2020年 
JST資料番号： D0943A  ISSN： 0277-786X  CODEN： PSISDG  資料種別： 会議録 (C)
記事区分： 短報  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文は,水質のロバストな溶存酸素(DO)予測モデルを開発し,ハイブリッドAerial水中ロボットシステム(HAUCS)プロジェクトをサポートした。多くの課題は,欠落データを含む小さなデータセットや不規則な間隔で取られたノイズの多い測定のような,収集した魚類農場データを用いて,そのようなモデルの開発において発生する。ロバスト予測を得るためのこれらの問題を扱う試みを検討した。長い短温度メモリ(LSTM)とフェーズドLSTM(PLSTM)のような機械学習技術を提示し,この問題を扱う動機を示した。LSTMとPLSTMの性能を,より大きく問題のない水質データセットに対して初めて調査した。次に,移動学習による魚類農場DOデータ予測のために,この大きなデータセットで訓練されたモデルの知識を伝達する試みを報告した。ノイズのある測定データを緩和するために,Gauss雑音をよりよく扱うことができる損失関数:相関エントロピー損失を採用した。この移動学習技術と相関エントロピー損失関数を用いた長距離予測実験結果を示した。COPYRIGHT SPIE. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *エントロピー ,  記憶装置 ,  雑音 ,  *学習 ,  *水質 ,  損失関数 ,  溶存酸素 ,  Gauss雑音 ,  農場 ,  ロバスト性 ,  予測モデル
準シソーラス用語： 水中ロボット ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： 学習 ,  フェーズ ,  LSTM ,  相関 ,  エントロピー ,  損失 ,  水質 ,  調査