論文の概要: Machine-learning-based methods for output only structural modal
identification
- arxiv url: http://arxiv.org/abs/2004.07644v2
- Date: Wed, 24 Jun 2020 01:13:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 21:21:34.823153
- Title: Machine-learning-based methods for output only structural modal
identification
- Title(参考訳): 機械学習による構造モード識別のみの出力法
- Authors: Dawei Liu, Zhiyi Tang, Yuequan Bao, Hui Li
- Abstract要約: 構造的健康モニタリング(SHM)のための出力専用データのモーダルパラメータを機械学習で同定する手法を提案する。
自己符号化深層ニューラルネットワークは、構造物の振動データから構造的モーダルパラメータを特定するように設計されている。
非相関性や非ガウス性を考慮して独立性を制約し、構造的モーダルパラメータを得るために設計されたニューラルネットワークを制限する新しい損失関数を提案する。
- 参考スコア(独自算出の注目度): 3.454141614055463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this study, we propose a machine-learning-based approach to identify the
modal parameters of the output-only data for structural health monitoring (SHM)
that makes full use of the characteristic of independence of modal responses
and the principle of machine learning. By taking advantage of the independence
feature of each mode, we use the principle of unsupervised learning, making the
training process of the deep neural network becomes the process of modal
separation. A self-coding deep neural network is designed to identify the
structural modal parameters from the vibration data of structures. The mixture
signals, that is, the structural response data, are used as the input of the
neural network. Then we use a complex loss function to restrict the training
process of the neural network, making the output of the third layer the modal
responses we want, and the weights of the last two layers are mode shapes. The
deep neural network is essentially a nonlinear objective function optimization
problem. A novel loss function is proposed to constrain the independent feature
with consideration of uncorrelation and non-Gaussianity to restrict the
designed neural network to obtain the structural modal parameters. A numerical
example of a simple structure and an example of actual SHM data from a
cable-stayed bridge are presented to illustrate the modal parameter
identification ability of the proposed approach. The results show the
approach's good capability in blindly extracting modal information from system
responses.
- Abstract(参考訳): 本研究では,モーダル応答の独立性の特徴と機械学習の原理をフル活用した,構造ヘルスモニタリング(shm)のための出力専用データのモーダルパラメータを同定する機械学習手法を提案する。
各モードの独立性機能を活用することで、教師なし学習の原則を用い、ディープニューラルネットワークのトレーニングプロセスをモーダル分離のプロセスにする。
自己符号化深層ニューラルネットワークは、構造物の振動データから構造パラメータを特定するように設計されている。
混合信号、すなわち構造応答データは、ニューラルネットワークの入力として使用される。
次に、ニューラルネットワークのトレーニングプロセスを制限するために複雑な損失関数を使用し、3層目の出力を我々が望むモーダル応答とし、最後の2層の重みをモード形状とする。
ディープニューラルネットワークは本質的に非線形目的関数最適化問題である。
非相関性と非ガウス性を考慮して独立性を制約し、構造的モーダルパラメータを得るために設計されたニューラルネットワークを制限する新しい損失関数を提案する。
簡単な構造の数値的な例と,ケーブルステイドブリッジからの実際のSHMデータの例を示し,提案手法のパラメータ識別能力を示す。
その結果,システム応答からモーダル情報を盲目的に抽出する手法の有用性が示された。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative
MRI Reconstruction [1.5515877763861814]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。
この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。
我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文 参考訳(メタデータ) (2023-06-19T15:37:53Z) - Contrastive-Signal-Dependent Plasticity: Forward-Forward Learning of
Spiking Neural Systems [73.18020682258606]
我々は、ニューロンの個々の層が並列に機能する、スパイキングニューロンユニットからなる神経模倣アーキテクチャを開発する。
コントラスト信号依存塑性(CSDP)と呼ばれるイベントベース前方学習の一般化を提案する。
いくつかのパターンデータセットに対する実験結果から,CSDPプロセスは分類と再構成の両方が可能な動的再帰スパイクネットワークのトレーニングに有効であることが示された。
論文 参考訳(メタデータ) (2023-03-30T02:40:28Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳(メタデータ) (2022-09-26T17:59:58Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Imbedding Deep Neural Networks [0.0]
ニューラルODEのような連続深度ニューラルネットワークは、非線形ベクトル値の最適制御問題の観点から、残留ニューラルネットワークの理解を再燃させた。
本稿では,ネットワークの深さを基本変数とする新しい手法を提案する。
論文 参考訳(メタデータ) (2022-01-31T22:00:41Z) - FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。
FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
論文 参考訳(メタデータ) (2021-06-24T15:38:34Z) - A robust solution of a statistical inverse problem in multiscale
computational mechanics using an artificial neural network [0.0]
この研究は、ニューラルネットワークに基づく機械学習を用いて、ランダムな異種材料の見かけの弾性特性の逆同定に対処する。
提案手法では,ニューラルネットワークをトレーニング可能なデータベースの構築が必要である。
トレーニングされたニューラルネットワークの性能は,平均二乗誤差,線形回帰適合,確率分布の観点から分析する。
論文 参考訳(メタデータ) (2020-11-16T09:37:27Z) - Exploiting Non-Linear Redundancy for Neural Model Compression [26.211513643079993]
本稿では,線形依存の活用に基づく新しいモデル圧縮手法を提案する。
その結果,ネットワークサイズが最大99%減少し,性能が低下することがわかった。
論文 参考訳(メタデータ) (2020-05-28T15:13:21Z) - On Training and Evaluation of Neural Network Approaches for Model
Predictive Control [9.8918553325509]
本稿では,制約ニューラルネットワークを用いて実装されたモデル予測制御(MPC)のトレーニングと評価を行うフレームワークである。
モチベーションは、安全クリティカルフィードバック制御システムのリアルタイム最適化を、ニューラルネットワークと最適化層という形で学習されたマッピングに置き換えることである。
論文 参考訳(メタデータ) (2020-05-08T15:37:55Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳(メタデータ) (2020-03-26T11:13:07Z)
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。