机构名称：
¥ 1.0
摘要 - 越来越多地使用数字双胞胎（SDT S）来通过连续数据同化来实际上复制和预测复杂物理系统的行为，从而通过控制系统的作用来优化这些系统的性能。最近，深度学习（DL）模型显着增强了SDT S的功能，特别是对于诸如预测性维护，异常检测和优化等任务。在包括医学，工程和教育在内的许多领域中，SDT的使用图像数据（基于图像的SDT S）来观察和学习系统行为并控制其行为。本文通过不断地模拟物理系统的图像数据来开发基于图像的SDT S的各种方法和相关挑战。本文还讨论了为SDT S设计和实施DL模型所涉及的挑战，包括数据采集，处理和解释。此外，还提供了开发新的基于图像的DL方法来开发可靠SDT S的新方向和机会的见解。这包括使用生成模型进行数据增强，开发多模式DL模型以及探索DL与其他技术（包括5G，Edge Computing和IoT）集成的潜力。在本文中，我们描述了基于图像的SDT，该SDT能够在广泛的领域中更广泛地采用数字双DT范式，以及开发新方法以提高SDT S在复制，预测和优化复杂系统行为方面的能力。
智能数字双胞胎的基于图像的深度学习
主要关键词
相关文件推荐
