論文の概要: A Bayesian methodology for localising acoustic emission sources in
complex structures
- arxiv url: http://arxiv.org/abs/2012.11058v1
- Date: Mon, 21 Dec 2020 00:19:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 06:19:40.745618
- Title: A Bayesian methodology for localising acoustic emission sources in
complex structures
- Title（参考訳）: 複雑な構造における音響放射源の局在化のためのベイズ法
- Authors: Matthew R. Jones, Tim J. Rogers, Keith Worden, Elizabeth J. Cross
- Abstract要約: 損傷源の局所化への音響放射の獲得は、構造的健康モニタリングにおける一般的なアプローチとして現れている。
最近の進歩にもかかわらず、非自明な幾何学的特徴を含む複合材料や構造内の損傷を見つけるタスクはまだ重要な課題です。
本稿では,これらの複雑さに頑健なベイズ的ソースローカライゼーション戦略について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In the field of structural health monitoring (SHM), the acquisition of
acoustic emissions to localise damage sources has emerged as a popular
approach. Despite recent advances, the task of locating damage within composite
materials and structures that contain non-trivial geometrical features, still
poses a significant challenge. Within this paper, a Bayesian source
localisation strategy that is robust to these complexities is presented. Under
this new framework, a Gaussian process is first used to learn the relationship
between source locations and the corresponding difference-in-time-of-arrival
values for a number of sensor pairings. As an acoustic emission event with an
unknown origin is observed, a mapping is then generated that quantifies the
likelihood of the emission location across the surface of the structure. The
new probabilistic mapping offers multiple benefits, leading to a localisation
strategy that is more informative than deterministic predictions or
single-point estimates with an associated confidence bound. The performance of
the approach is investigated on a structure with numerous complex geometrical
features and demonstrates a favourable performance in comparison to other
similar localisation methods.
- Abstract（参考訳）: 構造的健康モニタリング(SHM)の分野では、損傷源をローカライズするための音響放射の取得が一般的なアプローチとして現れている。
近年の進歩にもかかわらず、非自明な幾何学的特徴を含む複合材料や構造物の損傷を突き止める作業は依然として大きな課題となっている。
本稿では,これらの複雑さに頑健なベイズ的ソースローカライゼーション戦略について述べる。
この新たな枠組みの下では、ガウス過程を用いて、複数のセンサペアのソース位置と対応する時間差値の関係を学習する。
未知の起源を持つ音響放射イベントが観測されると、構造の表面を横断する放射位置の可能性を定量化するマッピングが生成される。
新しい確率的マッピングは、複数の利点を提供し、決定論的予測や、関連する信頼境界を持つ単点推定よりも有益な局所化戦略をもたらす。
本手法は,多くの複雑な幾何学的特徴を持つ構造について検討し,他の類似の局所化法と比較して良好な性能を示す。
関連論文リスト
- Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - ChaosMining: A Benchmark to Evaluate Post-Hoc Local Attribution Methods in Low SNR Environments [14.284728947052743]
本研究では,低信号-雑音比(SNR)を特徴とする領域において,非関連領域から予測力のある特徴を識別するためのポストホック局所帰属法の有効性を検討する。
我々の実験では、スケーラビリティの制限とともに、予測と特徴選択の長所を強調しています。
論文 参考訳（メタデータ） (2024-06-17T23:39:29Z) - Rethinking the Up-Sampling Operations in CNN-based Generative Network
for Generalizable Deepfake Detection [86.97062579515833]
我々は、アップサンプリング操作から生じる一般化された構造的アーティファクトをキャプチャし、特徴付ける手段として、NPR(Neighboring Pixel Relationships)の概念を紹介した。
tft28の異なる生成モデルによって生成されたサンプルを含む、オープンワールドデータセット上で包括的な分析を行う。
この分析は、新しい最先端のパフォーマンスを確立し、既存の手法よりも優れたtft11.6%の向上を示している。
論文 参考訳（メタデータ） (2023-12-16T14:27:06Z) - Exploiting Structure for Optimal Multi-Agent Bayesian Decentralized
Estimation [4.320393382724066]
ベイジアン分権データ融合の鍵となる課題は、噂の伝播(double counting)現象である。
マルチエージェント分散核融合問題における確率的独立構造を利用して、より厳密な境界を求めることができることを示す。
次に、大規模目標追跡シミュレーションを用いて、新しいモノリシックCIアルゴリズムを試験し、より厳密な境界とより正確な推定値が得られることを示す。
論文 参考訳（メタデータ） (2023-07-20T05:16:33Z) - Far Away in the Deep Space: Dense Nearest-Neighbor-Based
Out-of-Distribution Detection [33.78080060234557]
Nearest-Neighborsアプローチは、オブジェクト中心のデータドメインでうまく機能することが示されている。
近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近
論文 参考訳（メタデータ） (2022-11-12T13:32:19Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - Unknown Face Presentation Attack Detection via Localised Learning of
Multiple Kernels [15.000818334408802]
この論文は、未知のタイプの攻撃の要求シナリオにおいて、スプーフィング、つまりプレゼンテーションアタック検出(PAD)に直面している。
局所的なカーネル重みの集合に結合行列-ノルム制約を課すことにより、凸局所化多重カーネル学習アルゴリズムを定式化する。
論文 参考訳（メタデータ） (2022-04-22T12:43:25Z) - PILOT: Introducing Transformers for Probabilistic Sound Event
Localization [107.78964411642401]
本稿では,受信したマルチチャンネル音声信号の時間的依存性を自己アテンション機構によってキャプチャする,トランスフォーマーに基づく新しい音声イベント定位フレームワークを提案する。
このフレームワークは, 公開されている3つの音声イベントローカライズデータセットを用いて評価し, 局所化誤差と事象検出精度の点で最先端の手法と比較した。
論文 参考訳（メタデータ） (2021-06-07T18:29:19Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - A flexible outlier detector based on a topology given by graph
communities [0.0]
異常検出は機械学習手法と統計的予測モデルの最適性能に不可欠である。
トポロジーは、特徴空間内の互いに隣接する近傍を成す重み付きグラフのコミュニティを用いて計算される。
当社のアプローチは、ローカル戦略とグローバル戦略の両方において、複数のビュー設定と単一ビュー設定で総合的に優れています。
論文 参考訳（メタデータ） (2020-02-18T18:40:31Z)
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。