Processing

Please wait...

Settings

Settings

Goto Application

1. WO2020222879 - HYBRID NEURAL NETWORK AND AUTOENCODER

Publication Number WO/2020/222879
Publication Date 05.11.2020
International Application No. PCT/US2019/066621
International Filing Date 16.12.2019
IPC
G06N 3/063 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
063using electronic means
G06N 3/08 2006.01
GPHYSICS
06COMPUTING; CALCULATING OR COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
08Learning methods
Applicants
  • LANDMARK GRAPHICS CORPORATION [US]/[US]
Inventors
  • MADASU, Srinath
  • RANGARAJAN, Keshava Prasad
Agents
  • KOEBRICH, Katherine R.
Priority Data
62/840,19829.04.2019US
Publication Language English (EN)
Filing Language English (EN)
Designated States
Title
(EN) HYBRID NEURAL NETWORK AND AUTOENCODER
(FR) RÉSEAU NEURONAL HYBRIDE ET AUTO-ENCODEUR
Abstract
(EN)
A physics-influenced deep neural network (PDNN) model, or a deep neural network incorporating a physics-based cost function, can be used to efficiently denoise sensor data. To generate the PDNN model, noisy sensor data is used as training data input to a deep neural network and training output is valuated with a cost function that incorporates a physics-based model. An autoencoder can be coupled to the PDNN model and trained with the reduced-noise sensor data which is output from the PDNN during training of the PDNN or with a separate set of sensor data. The autoencoder detects outliers based on the reconstructed reduced-noise sensor data which it generates. Denoising sensor data by leveraging an autoencoder which is influenced by the physics of the underlying domain based on the incorporation of the physics-based model in the PDNN facilitates accurate and efficient denoising of sensor data and detection of outliers.
(FR)
La présente invention concerne un modèle de réseau neuronal profond influencé par la physique (PDNN), ou un réseau neuronal profond qui incorpore une fonction de coût à base de physique, qui peut être utilisé pour débruiter efficacement des données de capteur. Pour générer le modèle de PDNN, des données de capteur bruitées sont utilisées en tant qu'entrée de données d'apprentissage dans un réseau neuronal profond et une sortie d'apprentissage est évaluée avec une fonction de coût qui incorpore un modèle à base de physique. Un auto-encodeur peut être couplé au modèle de PDNN et fait l'objet d'un apprentissage avec les données de capteur à bruit réduit qui sont produites par le PDNN durant l'apprentissage du PDNN ou avec un ensemble séparé de données de capteur. L'auto-encodeur détecte des valeurs aberrantes sur la base des données de capteur à bruit réduit reconstruites qu'il génère. Le débruitage de données de capteur en exploitant un auto-encodeur qui est influencé par la physique du domaine sous-jacent sur la base de l'incorporation du modèle à base de physique dans le PDNN facilite le débruitage précis et efficace de données de capteur et la détection de valeurs aberrantes.
Latest bibliographic data on file with the International Bureau