LSTMを用いた制御対象のシステム変動分類手法の提案

カテゴリ: 研究会(論文単位)

論文No: CT21003

グループ名: 【C】電子・情報・システム部門 制御研究会

発行日: 2021/01/20

タイトル(英語): Proposal of system change detection method using LSTM

著者名: 森 仁紀(広島大学),林田 智弘(広島大学),西崎 一郎(広島大学),関崎 真也(広島大学),木下 拓矢(広島大学),山本 透(広島大学),水口 拓也(広島大学)

著者名(英語): Satoki Mori(Hiroshima University),Tomohiro Hayashida(Hiroshima University),Ichiro Nishizaki(Hiroshima University),Shinya Sekizaki(Hiroshima University),Takuya Kinoshita(Hiroshima University),Toru Yamamoto(Hiroshima University),Takuya Mizuguchi(Hiroshima U

キーワード: システム変動分類|深層学習|時系列データ|ＬＳＴＭ|system fluctuation classification|deep learning|time series data|Long-Short Term Memory

要約(日本語): 制御対象となるシステムは時系列データであり，ニューラルネットワークであるexMCRNN(extended Multi-Context Recurrent Neural Networks) を用いたシステム変動，すなわち異常検出やその分類手法が構築されている．_x000D_ 一方で，制御対象の入出力データには周期性などによる長期的な時系列性が含まれるため，exMCRNNによる手法では抽出することが難しい．本研究では，長期的時系列特性を学習可能であるLSTM (Long-Short Term Memory)を用いたシステム変動の分類手法を提案する．

要約(英語): This study proposes the system fluctuation classification method using LSTM (Long-Short Term Memory) which can capture the feature of long-term time series characteristics instead of exMCRNNs (extended Multi-Context Recurrent Neural Networks).

本誌: 2021年1月23日制御研究会

本誌掲載ページ: 11-15 p

原稿種別: 日本語

PDFファイルサイズ: 852 Kバイト