論文の概要: iDCR: Improved Dempster Combination Rule for Multisensor Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2002.03639v1
- Date: Mon, 10 Feb 2020 10:37:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 09:39:10.518446
- Title: iDCR: Improved Dempster Combination Rule for Multisensor Fault Diagnosis
- Title(参考訳): iDCR:マルチセンサ故障診断のためのデンプスター組合せ規則の改良
- Authors: Nimisha Ghosh, Sayantan Saha, Rourab Paul
- Abstract要約: Dempster-Shafer Theory of Evidence(英語版)とDempsters Combination Rule(英語版)は、マルチセンサー融合の非常に一般的な方法である。
しかし、異なるセンサーから得られる情報が衝突が大きい場合、古典的なDempsters Combination Ruleは反直感的な結果をもたらす可能性がある。
本稿では,マルチセンサデータ融合のための組合せ法を提案する。
- 参考スコア(独自算出の注目度): 5.3627434643890215
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data gathered from multiple sensors can be effectively fused for accurate
monitoring of many engineering applications. In the last few years, one of the
most sought after applications for multi sensor fusion has been fault
diagnosis. Dempster-Shafer Theory of Evidence along with Dempsters Combination
Rule is a very popular method for multi sensor fusion which can be successfully
applied to fault diagnosis. But if the information obtained from the different
sensors shows high conflict, the classical Dempsters Combination Rule may
produce counter-intuitive result. To overcome this shortcoming, this paper
proposes an improved combination rule for multi sensor data fusion. Numerical
examples have been put forward to show the effectiveness of the proposed
method. Comparative analysis has also been carried out with existing methods to
show the superiority of the proposed method in multi sensor fault diagnosis.
- Abstract(参考訳): 複数のセンサーから収集されたデータは、多くのエンジニアリングアプリケーションを正確に監視するために効果的に融合することができる。
過去数年間、マルチセンサー融合の最も望まれた応用の1つは、故障診断である。
Dempster-Shafer Theory of Evidence with Dempsters Combination Ruleは、故障診断にうまく適用できるマルチセンサー融合の非常に一般的な方法である。
しかし、異なるセンサーから得られる情報が衝突が大きい場合、古典的なDempsters Combination Ruleは反直感的な結果をもたらす可能性がある。
この欠点を克服するために,マルチセンサデータ融合のための組合せルールの改善を提案する。
提案手法の有効性を示す数値的な例が提案されている。
また,マルチセンサ故障診断における提案手法の優位性を示すため,既存手法との比較分析を行った。
関連論文リスト
- Efficient Multi-Resolution Fusion for Remote Sensing Data with Label
Uncertainty [0.7832189413179361]
本稿では,画素レベルのトレーニングラベルを必要とせず,マルチモーダル・マルチレゾリューションリモートセンサデータを融合する新しい手法を提案する。
探索空間を削減し,MIMRFフレームワークの効率を大幅に改善する二元ファジィ測度に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2024-02-07T17:34:32Z) - Contrastive Multi-Modal Representation Learning for Spark Plug Fault
Diagnosis [0.21847754147782888]
コントラッシブラーニングパラダイムに基づくユニークなトレーニング戦略を備えたマルチモーダルオートエンコーダを提案する。
提案手法は、データの複数モード(またはビュー)をリッチな共通表現に融合する際の優れた性能を実現する。
本手法により,センサ故障発生時のマルチモーダル故障診断システムをより堅牢に行うことができる。
論文 参考訳(メタデータ) (2023-11-04T00:04:09Z) - Log-Likelihood Score Level Fusion for Improved Cross-Sensor Smartphone
Periocular Recognition [52.15994166413364]
我々は、複数のコンパレータを融合させて、異なるスマートフォンの画像を比較する際に、眼周囲の性能を改善する。
我々は線形ロジスティック回帰に基づく確率的融合フレームワークを使用し、融合したスコアはログライクな比率になる傾向にある。
我々のフレームワークは、同じセンサとクロスセンサーのスコア分布が整列され、共通の確率領域にマッピングされるため、異なるデバイスからの信号を処理するためのエレガントでシンプルなソリューションも提供します。
論文 参考訳(メタデータ) (2023-11-02T13:43:44Z) - Multimodal Industrial Anomaly Detection via Hybrid Fusion [59.16333340582885]
ハイブリッド核融合方式を用いた新しいマルチモーダル異常検出法を提案する。
本モデルでは,MVTecD-3 ADデータセットにおける検出精度とセグメンテーション精度の両面で,最先端(SOTA)手法より優れている。
論文 参考訳(メタデータ) (2023-03-01T15:48:27Z) - DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate
Time Series Data [0.0]
本稿では,DTAADの異常検出と診断モデルを提案する。
6つのデータセットに対する実験により、DTAADは検出および診断性能の両方において、現在最も先進的なベースライン法を超えていることが確認された。
DTAADはF1のスコアを8.38%で改善し、ベースラインに比べてトレーニング時間を99%下げた。
論文 参考訳(メタデータ) (2023-02-17T06:59:45Z) - Sensor Data Fusion in Top-View Grid Maps using Evidential Reasoning with
Advanced Conflict Resolution [3.337790639927531]
異質なセンサ源から推定される露骨なトップビューグリッドマップを結合する新しい手法を提案する。
そこで本研究では,Kitti-360データセットを用いて,融合品質を最適化するデータ駆動信頼性推定手法を提案する。
論文 参考訳(メタデータ) (2022-04-19T10:02:21Z) - Learning Online Multi-Sensor Depth Fusion [100.84519175539378]
SenFuNetは、センサ固有のノイズと外れ値統計を学習するディープフュージョンアプローチである。
実世界のCoRBSとScene3Dデータセットで様々なセンサーの組み合わせで実験を行う。
論文 参考訳(メタデータ) (2022-04-07T10:45:32Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳(メタデータ) (2022-01-26T03:34:57Z) - Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。
また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
論文 参考訳(メタデータ) (2021-05-07T09:37:06Z) - ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。
提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
論文 参考訳(メタデータ) (2020-12-09T08:16:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。