文献

J-GLOBAL ID：202202247155605843   整理番号：22A0778996

キャリブレーションモデリングのためのスペクトルデータ増強を導くための条件付き変分オートエンコーダの開発【JST・京大機械翻訳】

Developing a Conditional Variational Autoencoder to Guide Spectral Data Augmentation for Calibration Modeling

著者 (2件)： Mu Guoqing (School of Information and Control Engineering, Qingdao University of Technology, Qingdao, China) ,  Chen Junghui (Department of Chemical Engineering, Chung Yuan Christian University, Taoyuan, Taiwan)
資料名： IEEE Transactions on Instrumentation and Measurement  (IEEE Transactions on Instrumentation and Measurement)
巻： 71  ページ： ROMBUNNO.2501008.1-8  発行年： 2022年 
JST資料番号： C0232A  ISSN： 0018-9456  CODEN： IEIMAO  資料種別： 逐次刊行物 (A)
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： 実用的な分光法測定に含まれる典型的な不十分にラベル付けされた試料を処理するために,条件付き変分オートエンコーダ(CVAE)を提案し,in situ測定用のスペクトルデータ増強キャリブレーションモデリング法を導いた。最初に,CVAEを設計して,強化訓練セットを採用して,キャリブレーションモデルを開発するように仮想スペクトルを生成した。オンライン測定目的によるモデリングのために生成されたラベルなしサンプルを利用するために,半教師つきラダーネットワーク(S2-LN)ベースの回帰学習モデルを開発した。提案方法は,実際のラベル付きサンプルですべての生成された仮想ラベルなしサンプルを組み込む。このアプローチの重要な利点は,生成された仮想スペクトルと実際のラベル付きスペクトルが同じ分布であり,半教師つき学習の有効性を確実にすることである。数値シミュレーション例およびグルコース発酵プロセスの実験例により,このアプローチの有効性を例示した。Copyright 2022 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： *変分法 ,  学習モデル ,  *スペクトル ,  *モデリング ,  モデル ,  *測定データ ,  有効性 ,  発酵過程 ,  ヘキソース ,  アルドース
準シソーラス用語： *スペクトルデータ ,  数値シミュレーション ,  半教師つき学習 ,  オンライン ,  自己符号化器 , 【Automatic Indexing@JST】

分類 (1件)： 長さ,面積,断面,体積,容積,角度の計測法・機器  (AD05020O)

物質索引 (1件)： グルコース

タイトルに関連する用語 (4件)： スペクトル ,  データ増強 ,  変分オートエンコーダ ,  開発