論文の概要: On the hierarchical Bayesian modelling of frequency response functions
- arxiv url: http://arxiv.org/abs/2307.06263v1
- Date: Wed, 12 Jul 2023 16:03:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 12:34:04.520697
- Title: On the hierarchical Bayesian modelling of frequency response functions
- Title(参考訳): 周波数応答関数の階層ベイズモデルについて
- Authors: T.A. Dardeno, R.S. Mills, N. Dervilis, K. Worden, L.A. Bull
- Abstract要約: 人口ベース構造健康モニタリング(PBSHM)は、人口構成員間で貴重な情報を共有することを目的としている。
多くのSHM戦略は構造体の動的特性のモニタリングに依存しているため、これらのシステムの実用的な実装において、良質なバリエーションは困難である。
本稿では, 異なる温度条件下で, 名前のついたヘリコプターブレードの少数の個体を対象に, 複合確率型FRFモデルを開発した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Population-based structural health monitoring (PBSHM) aims to share valuable
information among members of a population, such as normal- and damage-condition
data, to improve inferences regarding the health states of the members. Even
when the population is comprised of nominally-identical structures, benign
variations among the members will exist as a result of slight differences in
material properties, geometry, boundary conditions, or environmental effects
(e.g., temperature changes). These discrepancies can affect modal properties
and present as changes in the characteristics of the resonance peaks of the
frequency response function (FRF). Many SHM strategies depend on monitoring the
dynamic properties of structures, so benign variations can be challenging for
the practical implementation of these systems. Another common challenge with
vibration-based SHM is data loss, which may result from transmission issues,
sensor failure, a sample-rate mismatch between sensors, and other causes.
Missing data in the time domain will result in decreased resolution in the
frequency domain, which can impair dynamic characterisation. The hierarchical
Bayesian approach provides a useful modelling structure for PBSHM, because
statistical distributions at the population and individual (or domain) level
are learnt simultaneously to bolster statistical strength among the parameters.
As a result, variance is reduced among the parameter estimates, particularly
when data are limited. In this paper, combined probabilistic FRF models are
developed for a small population of nominally-identical helicopter blades under
varying temperature conditions, using a hierarchical Bayesian structure. These
models address critical challenges in SHM, by accommodating benign variations
that present as differences in the underlying dynamics, while also considering
(and utilising), the similarities among the blades.
- Abstract(参考訳): 人口ベースの構造健康モニタリング(pbshm)は、メンバーの健康状態に関する推測を改善するために、正常および損傷条件データなどの集団のメンバー間で貴重な情報を共有することを目的としている。
人口が名目上の構造で構成されている場合でも、材料特性、幾何学、境界条件、環境効果(例えば温度変化)にわずかな違いがあるため、メンバー間の良質な差異が存在する。
これらの相違は変調特性に影響を与え、周波数応答関数(FRF)の共鳴ピークの特性の変化として現れる。
多くのshm戦略は構造物の動的特性の監視に依存しているため、こうしたシステムの実用的な実装には良質な変化が困難である。
振動ベースのscmのもうひとつの一般的な課題は、送信の問題、センサーの故障、センサ間のサンプルレートのミスマッチ、その他の原因によるデータ損失である。
時間領域におけるデータの欠落は周波数領域の分解能を低下させ、動的特徴化を損なう。
階層ベイズ・アプローチは、個体群と個人(またはドメイン)レベルの統計分布が同時に学習され、パラメータ間の統計強度を高めるので、pbshmの有用なモデリング構造を提供する。
その結果、特にデータが制限された場合、パラメータ推定値のばらつきが低減される。
本稿では, 階層型ベイズ構造を用いて, 温度条件の異なるヘリコプタブレードの少人数を対象に, 複合確率的frfモデルを開発した。
これらのモデルはshmにおける重要な課題に対処し、基礎となる力学の違いとして生じる良質な変化を取り入れ、ブレード間の類似性を考慮(および活用)する。
関連論文リスト
- Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)はこの文脈で際立っているのは、深層生成モデルのトレーニングにシミュレーションのデータセットを必要とすることである。
本研究では,複数の観測値が利用可能であり,それらの共有情報を活用してモデルのパラメータをよりよく推測することのできる,背の高いデータ拡張について考察する。
提案手法は,近年盛んに行われているスコアベース拡散文学の成果に基づいて構築され,個々の観測に基づいて学習したスコアネットワークの情報を用いて,高度データ後部分布を推定することができる。
論文 参考訳(メタデータ) (2024-04-11T09:23:36Z) - Federated Bayesian Deep Learning: The Application of Statistical Aggregation Methods to Bayesian Models [0.9940108090221528]
集約戦略は、分散決定論的モデルの重みとバイアスをプールまたはフューズするために開発されている。
決定論的モデルに対するFLスキームに付随するアグリゲーション手法の簡単な適用は不可能か、あるいは準最適性能をもたらすかを示す。
論文 参考訳(メタデータ) (2024-03-22T15:02:24Z) - A Priori Uncertainty Quantification of Reacting Turbulence Closure
Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳(メタデータ) (2024-02-28T22:19:55Z) - Federated Variational Inference Methods for Structured Latent Variable
Models [1.0312968200748118]
フェデレートされた学習方法は、データが元の場所を離れることなく、分散データソースをまたいだモデルトレーニングを可能にする。
本稿では,ベイズ機械学習において広く用いられている構造的変分推論に基づく汎用的でエレガントな解を提案する。
また、標準FedAvgアルゴリズムに類似した通信効率のよい変種も提供する。
論文 参考訳(メタデータ) (2023-02-07T08:35:04Z) - A Bayesian Framework on Asymmetric Mixture of Factor Analyser [0.0]
本稿では、スキュー正規(無制限)一般化双曲型(SUNGH)分布のリッチで柔軟なクラスを持つMFAモデルを提案する。
SUNGHファミリーは、様々な方向の歪みをモデル化する柔軟性と、重み付きデータを可能にする。
因子分析モデルを考慮すると、SUNGHファミリーは誤差成分と因子スコアの両方の歪みと重みを許容する。
論文 参考訳(メタデータ) (2022-11-01T20:19:52Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳(メタデータ) (2021-07-09T19:48:23Z) - Latent Space Model for Higher-order Networks and Generalized Tensor
Decomposition [18.07071669486882]
我々は、複雑な高次ネットワーク相互作用を研究するために、一般的な潜在空間モデルとして定式化された統一フレームワークを導入する。
一般化された多線形カーネルをリンク関数として、潜伏位置と観測データとの関係を定式化する。
本手法が合成データに与える影響を実証する。
論文 参考訳(メタデータ) (2021-06-30T13:11:17Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳(メタデータ) (2021-06-01T19:19:49Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [55.28436972267793]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳(メタデータ) (2020-03-02T04:31:22Z)
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。