論文の概要: Structural Vibration Signal Denoising Using Stacking Ensemble of Hybrid
CNN-RNN
- arxiv url: http://arxiv.org/abs/2303.11413v4
- Date: Sun, 23 Jul 2023 03:07:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 23:31:35.504122
- Title: Structural Vibration Signal Denoising Using Stacking Ensemble of Hybrid
CNN-RNN
- Title(参考訳): ハイブリッドCNN-RNNの重ね合わせを用いた構造振動信号復調
- Authors: Youzhi Liang, Wen Liang, Jianguo Jia
- Abstract要約: 近年,生物工学の分野では振動信号の利用が増加している。
足音による振動は、人体や動物などの生体系の運動を分析するのに有用である。
本稿では,複数信号のアンサンブルと,再帰的および畳み込み型ニューラルネットワーク予測の両方を活用する新しいアンサンブルモデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vibration signals have been increasingly utilized in various engineering
fields for analysis and monitoring purposes, including structural health
monitoring, fault diagnosis and damage detection, where vibration signals can
provide valuable information about the condition and integrity of structures.
In recent years, there has been a growing trend towards the use of vibration
signals in the field of bioengineering. Activity-induced structural vibrations,
particularly footstep-induced signals, are useful for analyzing the movement of
biological systems such as the human body and animals, providing valuable
information regarding an individual's gait, body mass, and posture, making them
an attractive tool for health monitoring, security, and human-computer
interaction. However, the presence of various types of noise can compromise the
accuracy of footstep-induced signal analysis. In this paper, we propose a novel
ensemble model that leverages both the ensemble of multiple signals and of
recurrent and convolutional neural network predictions. The proposed model
consists of three stages: preprocessing, hybrid modeling, and ensemble. In the
preprocessing stage, features are extracted using the Fast Fourier Transform
and wavelet transform to capture the underlying physics-governed dynamics of
the system and extract spatial and temporal features. In the hybrid modeling
stage, a bi-directional LSTM is used to denoise the noisy signal concatenated
with FFT results, and a CNN is used to obtain a condensed feature
representation of the signal. In the ensemble stage, three layers of a
fully-connected neural network are used to produce the final denoised signal.
The proposed model addresses the challenges associated with structural
vibration signals, which outperforms the prevailing algorithms for a wide range
of noise levels, evaluated using PSNR, SNR, and WMAPE.
- Abstract(参考訳): 振動信号は, 構造的健康モニタリング, 故障診断, 損傷検出など, 様々な工学的目的に利用され, 構造物の状態や整合性に関する貴重な情報を提供するようになっている。
近年,生物工学の分野では振動信号の利用が増加している。
活動誘発構造振動、特にフットステップによる信号は、人体や動物などの生体系の運動を分析するのに役立ち、個人の歩行、体重、姿勢に関する貴重な情報を提供し、健康モニタリング、セキュリティ、人間とコンピュータの相互作用のための魅力的なツールとなる。
しかし、様々なノイズの存在は、フットステップによる信号解析の精度を損なう可能性がある。
本稿では、複数の信号のアンサンブルと、再帰的および畳み込み型ニューラルネットワークの予測の両方を利用する新しいアンサンブルモデルを提案する。
提案モデルは,前処理,ハイブリッドモデリング,アンサンブルの3段階からなる。
プリプロセッシング段階では、高速フーリエ変換とウェーブレット変換を用いて特徴を抽出し、系の物理に支配されたダイナミクスを捉え、空間的および時間的特徴を抽出する。
ハイブリッドモデリング段階では、fft結果と連結されたノイズ信号に双方向lstmを用い、cnnを用いて信号の凝縮特徴表現を得る。
アンサンブル段階では、完全に接続されたニューラルネットワークの3つの層を用いて最終識別信号を生成する。
提案モデルでは,PSNR,SNR,WMAPEを用いて,広帯域の雑音レベルのアルゴリズムよりも優れる構造振動信号に関する課題に対処する。
関連論文リスト
- DTP-Net: Learning to Reconstruct EEG signals in Time-Frequency Domain by
Multi-scale Feature Reuse [7.646218090238708]
学習可能な時間周波数変換を挟んだDTP(Densely Connected Temporal Pyramid)で構成された、DTP-Netと呼ばれる完全な畳み込みニューラルネットワークを提案する。
脳波信号は様々なアーティファクトによって容易に破壊され、疾患診断や脳-コンピュータインターフェース(BCI)などのシナリオにおいて、信号品質を改善するためにアーティファクトの除去が重要となる
2つの公開セミシミュレートされたデータセットで実施された大規模な実験は、DTP-Netの効果的なアーティファクト除去性能を示す。
論文 参考訳(メタデータ) (2023-11-27T11:09:39Z) - A multi-artifact EEG denoising by frequency-based deep learning [5.231056284485742]
我々は周波数領域で動作する新しい脳波復調モデルを開発し、ノイズスペクトルの特徴に関する事前知識を活用している。
EEGdenoiseNetデータセットの性能評価は、提案モデルが時間およびスペクトルの指標に応じて最適な結果を得ることを示す。
論文 参考訳(メタデータ) (2023-10-26T12:01:47Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳(メタデータ) (2022-11-15T15:04:06Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - 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) - Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid
Framework for Rotating Machinery [2.580765958706854]
回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。
従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。
本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-09T01:09:59Z) - Deep Learning for Ultrasound Speed-of-Sound Reconstruction: Impacts of
Training Data Diversity on Stability and Robustness [7.909848251752742]
共生画像に基づくデータ生成のトレーニングのための新しいシミュレーション手法を提案する。
異なるシミュレーションパラメータに対するトレーニングネットワークの感度について検討した。
実験の結果,データ集合を用いてトレーニングしたネットワークは,測定されたファントムデータだけでなく,ドメイン外のシミュレーションデータでもより安定であることがわかった。
論文 参考訳(メタデータ) (2022-02-01T11:09:35Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳(メタデータ) (2021-03-18T11:01:21Z) - Conditioning Trick for Training Stable GANs [70.15099665710336]
本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。
我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
論文 参考訳(メタデータ) (2020-10-12T16:50:22Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳(メタデータ) (2020-07-07T08:22:56Z)
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。