論文の概要: A Robust Probabilistic Approach to Stochastic Subspace Identification
- arxiv url: http://arxiv.org/abs/2305.16836v1
- Date: Fri, 26 May 2023 11:26:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 15:22:20.282741
- Title: A Robust Probabilistic Approach to Stochastic Subspace Identification
- Title（参考訳）: 確率的部分空間同定に対するロバスト確率的アプローチ
- Authors: Brandon J. O'Connell, Timothy J. Rogers
- Abstract要約: 非定型的な観察は、運用モード解析アルゴリズムに問題をもたらす。
現在、SSIでこのような異常を処理できる単純なメカニズムは存在しない。
本稿では、まず、サブスペース識別の新しい確率的定式化(Prob-SSI)を紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modal parameter estimation of operational structures is often a challenging
task when confronted with unwanted distortions (outliers) in field
measurements. Atypical observations present a problem to operational modal
analysis (OMA) algorithms, such as stochastic subspace identification (SSI),
severely biasing parameter estimates and resulting in misidentification of the
system. Despite this predicament, no simple mechanism currently exists capable
of dealing with such anomalies in SSI. Addressing this problem, this paper
first introduces a novel probabilistic formulation of stochastic subspace
identification (Prob-SSI), realised using probabilistic projections.
Mathematically, the equivalence between this model and the classic algorithm is
demonstrated. This fresh perspective, viewing SSI as a problem in probabilistic
inference, lays the necessary mathematical foundation to enable a plethora of
new, more sophisticated OMA approaches. To this end, a statistically robust SSI
algorithm (robust Prob-SSI) is developed, capable of providing a principled and
automatic way of handling outlying or anomalous data in the measured
timeseries, such as may occur in field recordings, e.g. intermittent sensor
dropout. Robust Prob-SSI is shown to outperform conventional SSI when
confronted with 'corrupted' data, exhibiting improved identification
performance and higher levels of confidence in the found poles when viewing
consistency (stabilisation) diagrams. Similar benefits are also demonstrated on
the Z24 Bridge benchmark dataset, highlighting enhanced performance on measured
systems.
- Abstract（参考訳）: 操作構造のモーダルパラメータ推定は、フィールド計測において望ましくない歪み(外乱)に直面する場合、しばしば難しい課題である。
非定型的な観察は、確率的部分空間同定(ssi)のような操作的モーダル解析(oma)アルゴリズムに問題を示し、パラメータ推定を厳しくバイアスし、システムの誤認をもたらす。
このような状況にもかかわらず、SSIでこのような異常を処理できる単純なメカニズムは存在しない。
本稿ではまず確率的部分空間同定(Prob-SSI)の確率的定式化を導入し,確率的射影を用いて実現した。
数学的には、このモデルと古典的アルゴリズムの等価性を実証する。
この新たな視点は、SSIを確率論的推論の問題と見なし、より洗練されたOMAアプローチの多元化を可能にするために必要な数学的基礎を築き上げている。
この目的のために、例えば間欠的なセンサのドロップアウトなどのフィールド記録で発生するような測定された時系列におけるアウトリーイングや異常なデータを、原則的かつ自動で処理することのできる統計的に堅牢なSSIアルゴリズム(robust Prob-SSI)を開発する。
ロバストなprob-ssiは「破損」データと向き合う場合の従来のssiよりも優れており、一貫性(安定化)図を見る際に、識別性能が向上し、極の信頼度が高くなる。
Z24 Bridgeベンチマークデータセットでも同様のメリットが示されており、測定システムのパフォーマンス向上を強調している。
関連論文リスト
- FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。
本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
論文 参考訳（メタデータ） (2024-05-23T13:37:26Z) - Probabilistic Numeric SMC Sampling for Bayesian Nonlinear System Identification in Continuous Time [0.0]
工学において、ノイズによって汚染されたデータから非線形力学系を正確にモデル化することは必須かつ複雑である。
連続時間常微分方程式(ODE)の統合は、理論モデルと離散サンプリングデータとの整合に不可欠である。
本稿では,非線形力学系の結合パラメータ-状態同定におけるODEの確率論的数値解法の適用例を示す。
論文 参考訳（メタデータ） (2024-04-19T14:52:14Z) - DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising
Diffusion Models [53.67562579184457]
本稿では,不確実性や複雑な依存関係のモデル化が困難であることから,確率的STG予測に焦点をあてる。
本稿では,一般的な拡散モデルをSTGに一般化する最初の試みとして,DiffSTGと呼ばれる新しい非自己回帰フレームワークを提案する。
提案手法は,本質的時間学習能力STNNと拡散モデルの不確実性測定を組み合わせたものである。
論文 参考訳（メタデータ） (2023-01-31T13:42:36Z) - MAntRA: A framework for model agnostic reliability analysis [0.0]
時間依存型信頼性解析のための新しいモデルデータ駆動型信頼性解析フレームワークを提案する。
提案手法は、解釈可能な機械学習、ベイズ統計、動的方程式の同定を組み合わせたものである。
以上の結果から,提案手法の信頼性評価への応用の可能性が示唆された。
論文 参考訳（メタデータ） (2022-12-13T00:57:09Z) - Learning to Bound Counterfactual Inference in Structural Causal Models
from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。
新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。
反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文 参考訳（メタデータ） (2022-12-06T12:42:11Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Learning Hidden Markov Models When the Locations of Missing Observations
are Unknown [54.40592050737724]
本研究では、未知の観測位置を持つデータからHMMを学習する際の一般的な問題について考察する。
我々は、下層の鎖の構造に関する仮定を一切必要としない再構成アルゴリズムを提供する。
適切な仕様の下では、プロセスのダイナミクスを再構築でき、また、見当たらない観測位置が分かっていたとしても、その有効性を示す。
論文 参考訳（メタデータ） (2022-03-12T22:40:43Z) - Rare event estimation using stochastic spectral embedding [0.0]
まれな障害事象の確率を推定することは、エンジニアリングシステムの信頼性評価において重要なステップである。
稀な事象推定問題を効率的に解くためにアルゴリズムを調整した一連の修正を提案する。
論文 参考訳（メタデータ） (2021-06-09T16:10:33Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Stochastic embeddings of dynamical phenomena through variational
autoencoders [1.7205106391379026]
位相空間の再構成において,観測空間の次元性を高めるために認識ネットワークを用いる。
我々の検証は、このアプローチが元の状態空間に類似した状態空間を復元するだけでなく、新しい時系列を合成できることを示している。
論文 参考訳（メタデータ） (2020-10-13T10:10:24Z)
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。