論文の概要: Synergistic Signal Denoising for Multimodal Time Series of Structure
Vibration
- arxiv url: http://arxiv.org/abs/2308.11644v1
- Date: Thu, 17 Aug 2023 00:41:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-27 04:48:08.055361
- Title: Synergistic Signal Denoising for Multimodal Time Series of Structure
Vibration
- Title(参考訳): 構造振動のマルチモーダル時系列に対する相乗的信号デノージング
- Authors: Yang Yu, Han Chen
- Abstract要約: 本稿では,構造的健康モニタリング(SHM)で広く用いられているマルチモーダル振動信号に固有の複雑さに適した,新しいディープラーニングアルゴリズムを提案する。
畳み込みと再帰的なアーキテクチャの融合により、アルゴリズムは局所化と長期化の両方の構造挙動を順応的にキャプチャする。
以上の結果から,複数のSHMシナリオにおける予測精度,早期損傷検出,適応性に有意な改善が認められた。
- 参考スコア(独自算出の注目度): 9.144905626316534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structural Health Monitoring (SHM) plays an indispensable role in ensuring
the longevity and safety of infrastructure. With the rapid growth of sensor
technology, the volume of data generated from various structures has seen an
unprecedented surge, bringing forth challenges in efficient analysis and
interpretation. This paper introduces a novel deep learning algorithm tailored
for the complexities inherent in multimodal vibration signals prevalent in SHM.
By amalgamating convolutional and recurrent architectures, the algorithm
adeptly captures both localized and prolonged structural behaviors. The pivotal
integration of attention mechanisms further enhances the model's capability,
allowing it to discern and prioritize salient structural responses from
extraneous noise. Our results showcase significant improvements in predictive
accuracy, early damage detection, and adaptability across multiple SHM
scenarios. In light of the critical nature of SHM, the proposed approach not
only offers a robust analytical tool but also paves the way for more
transparent and interpretable AI-driven SHM solutions. Future prospects include
real-time processing, integration with external environmental factors, and a
deeper emphasis on model interpretability.
- Abstract(参考訳): 構造的健康モニタリング(SHM)は、インフラの長寿と安全性を確保する上で不可欠である。
センサ技術の急速な成長に伴い、様々な構造物から生成されるデータ量が前例のない急増を遂げ、効率的な分析と解釈に課題が生じた。
本稿では,shmに普及するマルチモーダル振動信号に固有な複雑度を考慮した新しい深層学習アルゴリズムを提案する。
畳み込みと再帰的なアーキテクチャの融合により、アルゴリズムは局所化と長期化の両方の構造挙動を順応的にキャプチャする。
注意機構の重要結合により、モデルの性能がさらに向上し、外部ノイズからの健全な構造応答を識別し、優先順位付けすることができる。
その結果,予測精度,早期損傷検出,複数のscmシナリオに対する適応性が大幅に向上した。
SHMの批判的な性質を考慮して、提案されたアプローチは堅牢な分析ツールを提供するだけでなく、より透明で解釈可能なAI駆動型SHMソリューションの道を開く。
今後の展望には、リアルタイム処理、外部環境要素との統合、モデル解釈可能性の強化などが含まれる。
関連論文リスト
- Multi-Modality Spatio-Temporal Forecasting via Self-Supervised Learning [11.19088022423885]
そこで本稿では,MoSSL を利用した新しい学習フレームワークを提案する。
2つの実世界のMOSTデータセットの結果は、最先端のベースラインと比較して、我々のアプローチの優位性を検証する。
論文 参考訳(メタデータ) (2024-05-06T08:24:06Z) - On the Role of Information Structure in Reinforcement Learning for
Partially-Observable Sequential Teams and Games [65.268245109828]
情報構造の明示的表現は、強化学習問題を解析・解決する重要な要素であると主張する。
これにより、シーケンシャルな意思決定問題のよりリッチな分析が可能となり、より適切なアルゴリズム設計が可能となる。
論文 参考訳(メタデータ) (2024-03-01T21:28:19Z) - Consistency Models for Scalable and Fast Simulation-Based Inference [1.907072234794597]
CMPEは,スケーラブルで高速でアモータイズされたニューラルネットワークのための新しい自由形式の条件付きサンプルである。
基本的に連続的な確率フローを蒸留し、制約のないアーキテクチャで高速な数発の推論を可能にする。
ハイ次元ベイズ・デノナイジング実験において競争性能を達成し,腫瘍球状成長のマルチスケールモデルの推定を行う。
論文 参考訳(メタデータ) (2023-12-09T02:14:12Z) - Neural Harmonium: An Interpretable Deep Structure for Nonlinear Dynamic
System Identification with Application to Audio Processing [4.599180419117645]
解釈可能性(Interpretability)は、モデルを一般化し、その限界を明らかにする能力を理解するのに役立ちます。
本稿では,動的システムモデリングのための因果解釈可能な深部構造を提案する。
提案モデルは,時間周波数領域におけるシステムモデリングによる調和解析を利用する。
論文 参考訳(メタデータ) (2023-10-10T21:32:15Z) - Enhanced LFTSformer: A Novel Long-Term Financial Time Series Prediction Model Using Advanced Feature Engineering and the DS Encoder Informer Architecture [0.8532753451809455]
本研究では,拡張LFTSformerと呼ばれる長期金融時系列の予測モデルを提案する。
このモデルは、いくつかの重要なイノベーションを通じて、自分自身を区別する。
さまざまなベンチマークストックマーケットデータセットに関するシステマティックな実験は、強化LFTSformerが従来の機械学習モデルより優れていることを示している。
論文 参考訳(メタデータ) (2023-10-03T08:37:21Z) - Echotune: A Modular Extractor Leveraging the Variable-Length Nature of Speech in ASR Tasks [4.132793413136553]
可変長アテンション機構を備えたピンブルモジュールであるEcho-MSAを紹介する。
提案した設計は,音声の可変長の特徴を捉え,固定長注意の限界に対処する。
論文 参考訳(メタデータ) (2023-09-14T14:51:51Z) - Understanding Self-attention Mechanism via Dynamical System Perspective [58.024376086269015]
SAM(Self-attention mechanism)は、人工知能の様々な分野で広く使われている。
常微分方程式(ODE)の高精度解における固有剛性現象(SP)は,高性能ニューラルネットワーク(NN)にも広く存在することを示す。
SAMは、本質的なSPを測定するためのモデルの表現能力を高めることができる剛性対応のステップサイズ適応器でもあることを示す。
論文 参考訳(メタデータ) (2023-08-19T08:17:41Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳(メタデータ) (2023-05-22T13:39:44Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳(メタデータ) (2021-12-15T20:09:20Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳(メタデータ) (2020-07-21T11:48:22Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z)
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。