文献

J-GLOBAL ID：202102289026808129   整理番号：21A0665835

電力グリッド信号分類のためのメモリ層を持つ修正LSTM【JST・京大機械翻訳】

Modified LSTM with Memory Layer for Power Grid Signal Classification

著者 (8件)： Xu Hanyang (Nari Research Institute,Nari Group Corporation,Nanjing,China) ,  Xu Chunlei (State Grid Jiangsu Electric Power Co., LTD,Nanjing,China) ,  Ji Kun (Nari Research Institute,Nari Group Corporation,Nanjing,China) ,  Gao Shang (Nari Research Institute,Nari Group Corporation,Nanjing,China) ,  Li Huihui (Nari Research Institute,Nari Group Corporation,Nanjing,China) ,  Li Sen (Nari Research Institute,Nari Group Corporation,Nanjing,China) ,  Xu Yunbiao (Nari Research Institute,Nari Group Corporation,Nanjing,China) ,  Ji Xuechun (Nari Research Institute,Nari Group Corporation,Nanjing,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： EI2  ページ： 3693-3697  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 電力グリッドシステムから来る信号の処理において,主要な目的は,送電網故障または故障に高度に関連する重要な信号をフィルタリングすることである。電力信号解析と入射要約は,通常,人々によって行われる。マンパワーによる明白な問題は,複数のインシデントが発生して,膨大な数の信号が現れて,短時間に手動ですべての信号を処理することは,実質的に不可能になった。ニューラルネットワークモデルと類似の大規模情報状況を扱う試みは有用であることが証明されている。しかし,信号を学習し,処理する通常のニューラルネットワークモデルは,通常,シーケンスがより長くなり,不正確な分類につながるので,”記憶損失”を受ける。本論文では,リカレントニューラルネットワーク(RNN)と基本LSTM構造のメモリ依存性問題を緩和できる,長短期メモリ(LSTM)ネットワークの修正版を提案した。本文の焦点は,修正LSTMネットワークが,基本LSTMアーキテクチャにおける単なる出力値の代わりに,最後のLSTMセルから全出力シーケンスを記憶するためにメモリスロットの追加層をどのように利用できるかである。修正モデルは,すべての以前のセル情報を組み込み,モデリングプロセスにおける記憶損失を防ぐことができる。積層メモリ層を有するLSTMモデルのメリットを実証するために,信号分類実験を修正および基本LSTMモデルの両方で行い,その結果を示した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *記憶装置 ,  故障 ,  *電力 ,  ネットワーク ,  労働力 ,  送電系統 ,  信号解析 ,  フィルタリング ,  計算機アーキテクチャ
準シソーラス用語： 神経回路網モデル ,  リカレントニューラルネットワーク , 【Automatic Indexing@JST】

分類 (3件)： 専用演算制御装置  (JC04030Y) ,  音声処理  (JE05000E) ,  符号理論  (ND02030R)

タイトルに関連する用語 (3件)： グリッド ,  信号分類 ,  LSTM