.png){kind=icon}
返回
Solving an inverse problem with generative models
.png){kind=icon}
OA
AI
DOI：10.1039/D5DD00137D.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
反问题；我们在其中寻求导致一组期望输出的模型的输入值；被认为是科学与工程中比正向问题更具有挑战性的问题，正向问题中我们计算或测量来自已知输入的输出。在本工作中，我们展示了两种生成式机器学习方法用于解决反问题。我们将这种方法与两种更传统的方法进行比较，即使用带有非线性规划的正向模型和使用反向模型。我们在一个来自简单远程仪器的数据集上说明了每种方法，该仪器有三个输入：RGB LED的红、绿和蓝通道的设置。我们关注一个在445 nm、515 nm、590 nm和630 nm处测量强度的光传感器的几个输出。我们解决的具体问题是识别导致其中三个通道特定强度的输入。我们表明，生成模型可以用于解决这种反问题，并且它们比传统方法具有一些优势。
Keyword:
inverse problems
generative machine learning
forward model
nonlinear programming
backward model
期刊
IF:
5.6
论文数:
997
被引数:
1.7K
机构
暂无机构信息
引用论文
分享收藏The whole and its parts: Visualizing Gaussian mixture models整体及其部分: 可视化高斯混合模型.png)
VISUAL INFORMATICS
OAAI
VISUAL INFORMATICSIF3.9
OAAI分享收藏Identifying the number of components in Gaussian mixture models using numerical algebraic geometry使用数值代数几何确定高斯混合模型中的分量数量OAAI
OAAI分享收藏True Gaussian mixture regression and genetic algorithm-based optimization with constraints for direct inverse analysis真实高斯混合回归及基于遗传算法的约束优化直接反演分析
PREAI
分享收藏
查看更多内容