پژوهش
روش PhysFTM برای بازسازی میدان‌های فیزیکی با داده‌های پراکنده پیشنهاد شد
پژوهشگران در پیش‌چاپی در arXiv مدلی معرفی کرده‌اند که عوامل Tucker را در فضاهای RKHS پارامتردهی می‌کند و با قیدهای معادلات دیفرانسیل، اطلاعات فیزیکی را به نواحی بی‌داده می‌افزاید.
بازسازی پویایی‌های فیزیکی از حسگرهای ثابت و پراکنده و قاب‌های زمانیِ ازدست‌رفته دشوار است: داده‌های محدود ممکن است مدل را به برازش نقاط مشاهده‌شده سوق دهند، بی‌آنکه ساختار میدان در نقاط دیگر یا پیش‌بینی میان قاب‌ها دقیق باشد. پیش‌چاپی در arXiv روشی به نام PhysFTM پیشنهاد می‌کند که یک مدل تابعیِ Tucker با قیدهای فیزیکی است.
در این روش، عوامل Tucker در فضاهای هیلبرت بازتولیدکنندهٔ هسته (RKHS) پارامتردهی می‌شوند. مدل همچنین قیدهای معادلات دیفرانسیل جزئی را از طریق باقیمانده‌های تفاضل محدود در نقاط هم‌مکانیِ خارج از محل حسگرها وارد می‌کند؛ این باقیمانده‌ها قرار است در نواحی فاقد نظارت مستقیم، اطلاعات فیزیکی بیشتری فراهم کنند. متن در دسترس جزئیات بیشتری دربارهٔ ارزیابی یا عملکرد روش ارائه نمی‌دهد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده