論文の概要: Feature extraction and classification algorithm, which one is more
essential? An experimental study on a specific task of vibration signal
diagnosis
- arxiv url: http://arxiv.org/abs/2112.09389v1
- Date: Fri, 17 Dec 2021 08:50:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-20 15:56:34.919561
- Title: Feature extraction and classification algorithm, which one is more
essential? An experimental study on a specific task of vibration signal
diagnosis
- Title(参考訳): 特徴抽出と分類アルゴリズムは、どちらがより不可欠か?
振動信号診断の具体的課題に関する実験的検討
- Authors: Qiang Liu (1), Jiade Zhang (2), Jingna Liu (3) and Zhi Yang (1)
- Abstract要約: ディープラーニング時代には、特徴抽出と分類アルゴリズムを同時に行う。
本稿では,特徴抽出と分類アルゴリズムという2つの重要な要素のうちのどれが振動信号診断の特定のタスクに欠かせないかを考察する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of machine learning, a data-driven model has been widely
used in vibration signal fault diagnosis. Most data-driven machine learning
algorithms are built based on well-designed features, but feature extraction is
usually required to be completed in advance. In the deep learning era, feature
extraction and classifier learning are conducted simultaneously, which will
lead to an end-to-end learning system. This paper explores which one of the two
key factors, i.e., feature extraction and classification algorithm, is more
essential for a specific task of vibration signal diagnosis during a learning
system is generated. Feature extractions from vibration signal based on both
well-known Gaussian model and statistical characteristics are discussed,
respectively. And several classification algorithms are selected to
experimentally validate the comparative impact of both feature extraction and
classification algorithm on prediction performance.
- Abstract(参考訳): 機械学習の開発により、データ駆動モデルが振動信号障害診断に広く使われている。
ほとんどのデータ駆動機械学習アルゴリズムは、よく設計された特徴に基づいて構築されているが、機能抽出は通常、事前に完了する必要がある。
ディープラーニング時代には,特徴抽出と分類学習を同時に行うことにより,エンドツーエンド学習システムを実現する。
本稿では,学習システムにおける振動信号診断の特定のタスクにおいて,特徴抽出と分類アルゴリズムの2つの重要な要素のうちの1つが重要であるかを検討する。
良く知られたガウスモデルと統計特性に基づく振動信号の特徴抽出について考察した。
また,いくつかの分類アルゴリズムを選択し,特徴抽出と分類アルゴリズムが予測性能に与える影響を実験的に検証した。
関連論文リスト
- On Designing Features for Condition Monitoring of Rotating Machines [7.830376406370754]
回転機械の故障認識のための入力特徴を設計するための様々な手法が提案されている。
本稿では,異なる時系列センサデータに対する特徴抽出を統一する入力特徴を設計するための新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-15T14:08:08Z) - Understanding learning from EEG data: Combining machine learning and
feature engineering based on hidden Markov models and mixed models [0.0]
前頭蓋振動は空間ナビゲーションや記憶において重要な役割を担っていると考えられている。
EEGデータセットは非常に複雑で、神経信号の変化を解釈しにくくする。
本稿では,脳波データから特徴を抽出するために隠れマルコフと線形混合効果モデルを提案する。
論文 参考訳(メタデータ) (2023-11-14T12:24:12Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Anomalous Sound Detection Using a Binary Classification Model and Class
Centroids [47.856367556856554]
本稿では, 正規データだけでなく, 他領域の外部データも擬似アノマラス音響データとして用いた二分分類モデルを提案する。
また,2値分類モデルをさらに改善するために,異常音データの追加の有効性についても検討した。
論文 参考訳(メタデータ) (2021-06-11T03:35:06Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳(メタデータ) (2020-08-21T07:26:55Z) - dMelodies: A Music Dataset for Disentanglement Learning [70.90415511736089]
我々は、研究者が様々な領域でアルゴリズムの有効性を実証するのに役立つ新しいシンボリック・ミュージック・データセットを提案する。
これはまた、音楽用に特別に設計されたアルゴリズムを評価する手段を提供する。
データセットは、遠絡学習のためのディープネットワークのトレーニングとテストに十分な大きさ(約13万データポイント)である。
論文 参考訳(メタデータ) (2020-07-29T19:20:07Z) - On the Estimation of Complex Circuits Functional Failure Rate by Machine
Learning Techniques [0.16311150636417257]
デレーティング(De-Rating)あるいは脆弱性要因(Vulnerability Factors)は、今日の機能的安全要件によって管理される障害分析の最大の特徴である。
機械学習を用いて個々のフリップフロップの関数的デレートを推定する新しい手法が提案されている。
論文 参考訳(メタデータ) (2020-02-18T15:18:31Z)
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。