論文の概要: Clustering acoustic emission data streams with sequentially appearing
clusters using mixture models
- arxiv url: http://arxiv.org/abs/2108.11211v1
- Date: Wed, 25 Aug 2021 13:01:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-26 13:03:28.986321
- Title: Clustering acoustic emission data streams with sequentially appearing
clusters using mixture models
- Title（参考訳）: 混合モデルを用いた逐次出現クラスタを用いたアコースティックエミッションデータストリームのクラスタリング
- Authors: Emmanuel Ramasso, Thierry Den{\o}e ux, Ga\"el Chevallier
- Abstract要約: 本研究では,未ラベル音響放射(AE)データの特異性を扱うクラスタリング手法を開発した。
GMMSEQと呼ばれるこの手法は、振動を受けるボルト構造における緩み現象を特徴づけるために実験的に検証されている。
オープン・アコースティック・エミッション・イニシアチブを開発する上で,本論文の研究を再現するためのデータセットとコードを作成する。
- 参考スコア（独自算出の注目度）: 6.166295570030645
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The interpretation of unlabeled acoustic emission (AE) data classically
relies on general-purpose clustering methods. While several external criteria
have been used in the past to select the hyperparameters of those algorithms,
few studies have paid attention to the development of dedicated objective
functions in clustering methods able to cope with the specificities of AE data.
We investigate how to explicitly represent clusters onsets in mixture models in
general, and in Gaussian Mixture Models (GMM) in particular. By modifying the
internal criterion of such models, we propose the first clustering method able
to provide, through parameters estimated by an expectation-maximization
procedure, information about when clusters occur (onsets), how they grow
(kinetics) and their level of activation through time. This new objective
function accommodates continuous timestamps of AE signals and, thus, their
order of occurrence. The method, called GMMSEQ, is experimentally validated to
characterize the loosening phenomenon in bolted structure under vibrations. A
comparison with three standard clustering methods on raw streaming data from
five experimental campaigns shows that GMMSEQ not only provides useful
qualitative information about the timeline of clusters, but also shows better
performance in terms of cluster characterization. In view of developing an open
acoustic emission initiative and according to the FAIR principles, the datasets
and the codes are made available to reproduce the research of this paper.
- Abstract（参考訳）: 非ラベル音響放射(AE)データの解釈は、古典的には汎用クラスタリング法に依存している。
これらのアルゴリズムのハイパーパラメータの選択には,これまでいくつかの外部基準が用いられてきたが,AEデータの特異性に対処できるクラスタリング手法における専用目的関数の開発に注意を払っている研究は少ない。
本稿では,混合モデルやガウス混合モデル(GMM)において,クラスターのオンセットを明示的に表現する方法を検討する。
このようなモデルの内部基準を変更することで、期待最大化手順で推定されるパラメータ、いつクラスタが発生したかの情報(onets)、どのように成長するか(kinetics)、時間を通じてそのアクティベーションレベルを提供することができる最初のクラスタリング手法を提案する。
この新たな目的関数は、AE信号の連続したタイムスタンプと、その発生順序を許容する。
GMMSEQと呼ばれるこの手法は、振動を受けるボルト構造における緩み現象を特徴づけるために実験的に検証されている。
5つの実験キャンペーンから得られた生のストリーミングデータに対する3つの標準的なクラスタリング手法と比較すると、GMMSEQはクラスタのタイムラインに関する有用な定性的情報を提供するだけでなく、クラスタ特性の観点からも優れたパフォーマンスを示す。
オープン・アコースティック・エミッション・イニシアチブの開発を視野に入れ,fair原則によれば,データセットとコードは,本論文の研究を再現するために利用可能である。
関連論文リスト
- GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Robust and Automatic Data Clustering: Dirichlet Process meets
Median-of-Means [18.3248037914529]
本稿では,モデルに基づく手法とセントロイド方式の原理を統合することにより,効率的かつ自動的なクラスタリング手法を提案する。
クラスタリング誤差の上限に関する統計的保証は,既存のクラスタリングアルゴリズムよりも提案手法の利点を示唆している。
論文 参考訳（メタデータ） (2023-11-26T19:01:15Z) - Unified Multi-View Orthonormal Non-Negative Graph Based Clustering
Framework [74.25493157757943]
我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。
また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
論文 参考訳（メタデータ） (2022-11-03T08:18:27Z) - Time Series Clustering with an EM algorithm for Mixtures of Linear
Gaussian State Space Models [0.0]
線形ガウス状態空間モデルを混合したモデルに基づく時系列クラスタリング手法を提案する。
提案手法では,混合モデルの予測最大化アルゴリズムを用いてモデルパラメータを推定する。
シミュレーションデータセットの実験は、クラスタリング、パラメータ推定、モデル選択における手法の有効性を示す。
論文 参考訳（メタデータ） (2022-08-25T07:41:23Z) - K-ARMA Models for Clustering Time Series Data [4.345882429229813]
K-Meansアルゴリズムのモデルベース一般化を用いた時系列データのクラスタリング手法を提案する。
クラスタリングアルゴリズムは,不確実な偏差基準を用いて,アウトレーヤに対して頑健にすることができることを示す。
我々は,時系列クラスタリングタスクにおいて,本手法が既存の手法と競合することを示す実データ実験を行った。
論文 参考訳（メタデータ） (2022-06-30T18:16:11Z) - Correlation Clustering Reconstruction in Semi-Adversarial Models [70.11015369368272]
相関クラスタリングは多くのアプリケーションにおいて重要なクラスタリング問題である。
本研究では,ランダムノイズや対向的な修正によって崩壊した潜伏クラスタリングを再構築しようとする,この問題の再構築版について検討する。
論文 参考訳（メタデータ） (2021-08-10T14:46:17Z) - Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。
本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-11T13:38:09Z) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - Kernel learning approaches for summarising and combining posterior
similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。
我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文 参考訳（メタデータ） (2020-09-27T14:16:14Z) - Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。
本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。
我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
論文 参考訳（メタデータ） (2020-07-06T08:11:03Z) - Autoencoder-based time series clustering with energy applications [0.0]
時系列クラスタリングは、データの特定の性質のため、難しい作業である。
本稿では,畳み込み型オートエンコーダとk-メノイドアルゴリズムの組み合わせによる時系列クラスタリングについて検討する。
論文 参考訳（メタデータ） (2020-02-10T10:04:29Z)
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。