Fugu-MT 論文翻訳(概要): Vibration-Based Condition Monitoring By Ensemble Deep Learning

論文の概要: Vibration-Based Condition Monitoring By Ensemble Deep Learning

arxiv url: http://arxiv.org/abs/2110.06601v1
Date: Wed, 13 Oct 2021 09:51:40 GMT
ステータス: 処理完了
システム内更新日: 2021-10-14 23:03:01.994758
Title: Vibration-Based Condition Monitoring By Ensemble Deep Learning
Title（参考訳）: 深層学習を組み込んだ振動に基づく条件モニタリング
Authors: Vahid Yaghoubi, Liangliang Cheng, Wim Van Paepegem, Mathias Keremans
Abstract要約: 本研究では,アンサンブル深層学習手法に基づくフレームワークを提案する。提案手法は,Equiax多結晶ニッケル合金第一段タービンブレードから収集した実試験データに適用した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Vibration-based techniques are among the most common condition monitoring approaches. With the advancement of computers, these approaches have also been improved such that recently, these approaches in conjunction with deep learning methods attract attention among researchers. This is mostly due to the nature of the deep learning method that could facilitate the monitoring procedure by integrating the feature extraction, feature selection, and classification steps into one automated step. However, this can be achieved at the expense of challenges in designing the architecture of a deep learner, tuning its hyper-parameters. Moreover, it sometimes gives low generalization capability. As a remedy to these problems, this study proposes a framework based on ensemble deep learning methodology. The framework was initiated by creating a pool of Convolutional neural networks (CNN). To create diversity to the CNNs, they are fed by frequency responses which are passed through different functions. As the next step, proper CNNs are selected based on an information criterion to be used for fusion. The fusion is then carried out by improved Dempster-Shafer theory. The proposed framework is applied to real test data collected from Equiax Polycrystalline Nickel alloy first-stage turbine blades with complex geometry.
Abstract（参考訳）: 振動に基づく手法は、最も一般的な状態監視手法である。コンピュータの進歩に伴い、これらのアプローチも改良され、近年では深層学習法とともに研究者の間で注目されている。これは主に、特徴抽出、特徴選択、分類ステップを1つの自動化ステップに統合することにより、監視手順を容易にするディープラーニングメソッドの性質によるものだ。しかし、これは深層学習者のアーキテクチャ設計の課題を犠牲にして、ハイパーパラメータをチューニングすることで達成することができる。さらに、時には一般化能力も低い。これらの問題を解決するため,本研究では,アンサンブル深層学習手法に基づく枠組みを提案する。このフレームワークは、畳み込みニューラルネットワーク(cnn)のプールを作成することから始まった。 CNNに多様性をもたらすために、それらは異なる機能を通過する周波数応答によって供給される。次のステップとして、融合に使用する情報基準に基づいて適切なCNNを選択する。融合は改良されたデンプスター・シェーファー理論によって実行される。提案手法は, 複雑な形状を有する等軸多結晶ニッケル合金第一段タービンブレードから収集した実試験データに適用できる。

関連論文リスト

Dilated Convolution with Learnable Spacings [1.8130068086063336]
この論文は、Dilated Convolution with Learnable Spacings (DCLS)法を提示し、評価する。コンピュータビジョン、音声、音声処理の分野における様々な教師あり学習実験を通じて、DCLS法は、標準および高度な畳み込み技術よりも優れていることを証明した。
論文参考訳（メタデータ） (2024-08-10T12:12:39Z)
Exploiting Large Neuroimaging Datasets to Create Connectome-Constrained Approaches for more Robust, Efficient, and Adaptable Artificial Intelligence [4.998666322418252]
我々は、脳の地図を含む大きなニューロイメージングデータセットを利用するパイプラインを構想する。我々は,繰り返しるサブサーキットやモチーフの発見手法を開発した。第3に、チームはフルーツフライコネクトームのメモリ形成の回路を分析し、新しい生成的リプレイアプローチの設計を可能にした。
論文参考訳（メタデータ） (2023-05-26T23:04:53Z)
Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文参考訳（メタデータ） (2022-04-21T05:27:09Z)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
Enhanced Exploration in Neural Feature Selection for Deep Click-Through Rate Prediction Models via Ensemble of Gating Layers [7.381829794276824]
神経機能選択(NFS)の目標は、最も説明力のある比較的小さな機能のサブセットを選択することである。ゲーティングアプローチは、情報の少ない特徴をドロップするために、識別可能なバイナリゲートのセットを挿入する。勾配に基づく解の探索能力を向上させるために,単純だが効果的なアンサンブル学習手法を提案する。
論文参考訳（メタデータ） (2021-12-07T04:37:05Z)
Learning A 3D-CNN and Transformer Prior for Hyperspectral Image Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文参考訳（メタデータ） (2021-11-27T15:38:57Z)
CNN-DST: ensemble deep learning based on Dempster-Shafer theory for vibration-based fault recognition [0.0]
本研究では,畳み込みニューラルネットワーク(CNN)とDempster-Shafer理論(DST)に基づくアンサンブル深層学習フレームワークを提案する。提案したCNN-DSTフレームワークを検証するために,多結晶ニッケル合金第一段タービンブレードのブロードバンド振動応答を用いて作成した実験データセットに適用した。提案したCNN-DSTフレームワークはタービンブレードを平均予測精度97.19%で分類する。
論文参考訳（メタデータ） (2021-10-14T07:34:27Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文参考訳（メタデータ） (2020-11-25T14:00:18Z)
Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
論文参考訳（メタデータ） (2020-11-16T08:24:34Z)
DeConFuse : A Deep Convolutional Transform based Unsupervised Fusion Framework [29.58965424136611]
本研究では、深層畳み込み変換学習に基づく教師なし融合フレームワークを提案する。ストック予測とトレーディングの問題に対して,提案手法であるDeConFuseを適用した。
論文参考訳（メタデータ） (2020-11-09T11:04:09Z)

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。