内定先企業

Web&モバイルアプリ開発会社

クマラサミー工科大学コンピュータサイエンス専攻を卒業した女性。卒業後はウェブアプリ開発の会社で就業中。卒業研究ではDeep Qラーニングアルゴリズムを使用した地震予測システムの開発。日本語の会話レベルが高く、日本語で面接が可能。JLPT N2取得のために勉強中。

Profile

国籍・地域
インド
性別
女性
大学
M.Kumarasamy College of Engineering
学部
コンピュータサイエンス
学歴
学士

MESSAGE

まず、私が日本語を勉強し始めたきっかけから話したいと思います。2020年、新型コロナウィルスのため、インドでロックダウンが行われました。その時間をどう活用しようかと考えていた時、日本でエンジニアとして働いている先輩や友人から、日本や日本人についていろいろと話を聞きました。そこで、独学で日本語の勉強を始めました。日本語のN3レベルに合格した後、友人を通じて『FAST OFFER International』というプログラムのことを知りました。そして、『FAST OFFER International』に応募することにしました。

幸いなことに、2022年2月に面接を受ける機会を得ました。面接を受けて、選ばれました。私にとって、まさに「夢のような」出来事です。面接の前に、ASIA to JAPANのスタッフの方とオリエンテーションを行いました。彼女は、面接のプロセスについて素晴らしいガイダンスを行ってくれました。そして面接後も、企業からオファーを受け取るための調整をしてくれて、企業と私との間のさまざまなやり取りをしてくれました。

ASIA to JAPANと、すべてのステップで私を助けてくれた方々に感謝したいと思います。

FINAL YEAR PROJECT

地震のそうき予測のための地球トレマー追跡
概要:
数え切れないほどの自然災害の中で、地震は多くの人命、建物、建築物に甚大な被害を与える可能性があります。私たちのプロジェクトは、地震を早期に予測するための地震の追跡と、必要な予防策を講じるよう人々に警告することを目的としています。予測は、海の岩の温度、圧力、傾きなどのいくつかの水中要因の観測に基づいています。センサーのセットアップは海面下に配置され、これは海底通信ケーブルを介して可能になります。次に、センサーからの読み取り値が、ディープニューラルネットワークを使用するDeep-Q学習方法によって分類された事前定義された地震データセットと比較されます。観測された測定値が事前定義された測定値と一致する場合、地震が発生することを人々に警告します。このアプローチにより、地震を予測するための前述の精巧なプロセスによって、人命を保護し、経済的損失を軽減するためのゴールデンタイムを与える新しいソリューションを導入しました。

1.目的コンセプト:
地震は人生、財産、社会経済活動に大きな影響をおよぼします。このプロジェクトは、地球科学者がDeep Qラーニングアルゴリズムを使用して履歴データに基づいて今後の地震を予測し、以前に提案された6つのモデルよりも効果的なモデルを目指すことです。
IoTとは?
IoTとは Internet of Things の略で、「モノのインターネット」という意味です。
読み方は「アイオーティー」です。これまでインターネットに繋げると言えば、パソコンやスマートフォンなどの通信機器が一般的でした。
IoTではそれらに加え、家具でも、家電でも、自動車でも、工場の機械でも、ありとあらゆるモノがインターネットに繋がります。
この、インターネットに繋がるモノのことを、デバイスと言います。

ディープQラーニングとは?
ディープラーニングは基本的に、既存のデータを使用して計算をトレーニングしてパターンを特定し、それを使用して新しい情報に関する予測を行う、主権のある自習法です。
この手法では、リプレイエクスペリエンスを使用しました。 これは生物学的に着想を得たメカニズムであり、最新のアクションの代わりに前のアクションのランダムサンプルを引き続き使用します。 これにより、観測シーケンスの相関関係が削除され、データ分布の変化がスムーズになります。 反復更新は、定期的にのみ更新されるターゲット値に向けてQを調整し、ターゲットとの相関をさらに減らします。
ディープQラーニングとはの基本的な作業手順は、初期状態がニューラルネットワークに入力され、すべての可能なアクションのQ値が出力として返されることです。 このアルゴリズムは、Qラーニング(またはQテーブル)として知られています。
      
Q学習アルゴリズム?
Q関数はベルマン方程式を使用し、state(s)とアクション(a)の2つの入力を取ります。
Q学習タスクは、その環境と相互作用するエージェントをトレーニングすることです。 エージェントは、アクション(a)を実行することにより、state(s)と呼ばれるさまざまなシナリオに到達します。 アクションは、プラスとマイナスの報酬につながります。

Q学習アルゴリズムプロセス:
ステップ1:Qテーブルを初期化します:
まず、Qテーブルを作成する必要があります。 n個の列があり、n =アクションの数です。 m行あります。ここで、m =stateの数です。

ステップ2および3:アクションを選択して実行する:
•ステップ2と3の組み合わせは、未定義の時間実行されます。 これらの手順は、トレーニングが停止するまで、またはコードで定義されているようにトレーニングループが停止するまで実行されます。
•最初に、状態(s)のアクション(a)がQテーブルに基づいて選択されます。 前述のように、エピソードが最初に開始されるとき、すべてのQ値は0である必要があることに注意してください。
•次に、ベルマン方程式を使用して、開始時に右に移動するためのQ値を更新します。

ステップ4:レウォードを測定する:
今、私たちは行動を起こし、結果とレウォードを観察しました。

ステップ5:評価する:
関数Q(s、a)を更新する必要があります。
このプロセスは、学習が停止するまで何度も繰り返されます。 このようにして、Qテーブルが更新され、値関数Qが最大化されます。

ベルマン方程式:

既存のシステム:
既存のシステムでは、地震計装置は岩盤の地表の下に配置されています。 地震が発生する前に、地表下の構造プレートの動きがあります。 構造プレートの動きは地震計によって観測され、地震計は地震計装置による振動に基づいて描かれます。


既存のシステムブロック図
既存のシステム問題:
 既存のシステムは、異なる陸面でだけ実行されました.
 私たちは、海洋表面のすべての水域に適用できる方法を提案します。
 私たちの目標は、地震の発生方向とマグニチュード範囲を予測することにより、精度レベルを上げることです。
 以前の方法と比較すると、予測は非常に早いです。
私たち提案するシステム:
さまざまなソースから収集された地震データは、緯度、経度、温度、圧力、日付、時刻、マグニチュード、傾斜値、フレックス値、地震値などの要素を使用して統合されます。 それらはまとめて地震データセットと呼ばれます。 統合されたデータには、不均一なデータ形式、欠測値、外れ値、および範囲が大きく異なる特徴が含まれている可能性があります。 つまり、データをモデルのトレーニングデータとして使用する準備ができていません。 このため、地震データはさまざまな方法で前処理され、地震データセットからこれらの不要なデータが削除されます。 地震を正確に予測できる方法が大いに必要であり、優れた予測技術は地震をより正確に予測するのに役立ちます。
この研究では、特徴選択、特徴抽出、分類などの3つの重要な機能を使用しました。

特徴選:
マグニチュード(M)、温度(T)、圧力(P)、地震値(Z)、傾斜(X)、岩の屈曲(Y)などの地震データセットから6つだけを抽出するプロセスです。

特徴抽出:
地震データセットの変数を選択および/または組み合わせて特徴にする方法であり、処理する必要のあるデータの量を効果的に削減します。
分類:
データセットは浅発地震、稍深発地震、深発地震の地震などの3つの異なるカテゴリに分類されデータベースサーバーに保存されます。
データの分類は初期の地震のマグニチュード、温度、圧力、地震範囲に従ってデータを分類するDeep QLearningアルゴリズムを通じて得られた知識に基づいて行われます。 データの分類は、deepq学習アルゴリズムを介して行われます。


システムブロック図:
水中データ(UWD)、つまり海底通信ケーブルを介してにステーションに直接渡されるセンサーからの観測された読み取り値。 センサーからの遭遇データは、分類機能によって作成されたモデルに従って分析されます。 解析に基づいて、地震が発生するかどうかが予測されます。
地震の可能性がある場合、ステーションの管理者は、Q学習アルゴリズムの報酬である次の地震の発生についてアラートを受け取ります。 その後、地震の発生予測は、一般の人々、救助隊、報道関係者、その他の関係者に伝えられます。

結果:
これは地震予知のための様々な方法の結果比較です。 水中の変化を観測することによる地震予知は、以前の方法よりも正確であることがわかりました。

PR VIDEO