論文の概要: Time Series Diffusion Method: A Denoising Diffusion Probabilistic Model for Vibration Signal Generation

• arxiv url: http://arxiv.org/abs/2312.07981v1
• Date: Wed, 13 Dec 2023 08:53:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 16:12:41.914634
• Title: Time Series Diffusion Method: A Denoising Diffusion Probabilistic Model for Vibration Signal Generation
• Title（参考訳）: 時系列拡散法:振動信号生成のためのデノイング拡散確率モデル
• Authors: Haiming Yi, Lei Hou, Yuhong Jin, Nasser A. Saeed
• Abstract要約: 振動信号生成のための時系列拡散法(TSDM)を提案する。 改良されたU-netアーキテクチャを使用し、1次元時系列データから特徴を分割抽出する。
• 参考スコア（独自算出の注目度）: 11.320440581196824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have demonstrated robust data generation capabilities in various research fields. In this paper, a Time Series Diffusion Method (TSDM) is proposed for vibration signal generation, leveraging the foundational principles of diffusion models. The TSDM uses an improved U-net architecture with attention block to effectively segment and extract features from one-dimensional time series data. It operates based on forward diffusion and reverse denoising processes for time-series generation. Experimental validation is conducted using single-frequency, multi-frequency datasets, and bearing fault datasets. The results show that TSDM can accurately generate the single-frequency and multi-frequency features in the time series and retain the basic frequency features for the diffusion generation results of the bearing fault series. Finally, TSDM is applied to the small sample fault diagnosis of three public bearing fault datasets, and the results show that the accuracy of small sample fault diagnosis of the three datasets is improved by 32.380%, 18.355% and 9.298% at most, respectively
• Abstract（参考訳）: 拡散モデルは様々な研究分野でロバストなデータ生成能力を示している。 本稿では,拡散モデルの基本原理を利用して,振動信号生成のための時系列拡散法(TSDM)を提案する。 TSDMは、注目ブロックを備えた改良されたU-netアーキテクチャを使用して、1次元時系列データから特徴を効果的に分割し抽出する。 時系列生成のための前方拡散および逆復調プロセスに基づいて動作する。 単周波・多周波データセットと断層データセットを用いて実験検証を行う。 その結果、tsdmは時系列における単周波および多周波の特徴を正確に生成でき、軸受断層系列の拡散生成結果に対する基本周波数特性を保持できることがわかった。 最後に, TSDMを3つのパブリックベアリング断層データセットの小さなサンプル断層診断に適用し, 3つのデータセットの小さなサンプル断層診断の精度を32.380%, 18.355%, 9.298%向上させた。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
  既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。 本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-06-04T12:33:02Z)
• TSViT: A Time Series Vision Transformer for Fault Diagnosis [2.710064390178205]
  本稿では,効率的な故障診断のための時系列ビジョン変換器(TSViT)を提案する。 TSViTは畳み込み層を組み込み、振動信号から局所的な特徴を抽出する。 TSViTは2つのテストセットで前例のない平均精度を達成し、もう1つのテストセットで99.99%を達成している。
  論文  参考訳（メタデータ） (2023-11-12T18:16:48Z)
• DDMT: Denoising Diffusion Mask Transformer Models for Multivariate Time Series Anomaly Detection [0.0]
  本稿では,Adaptive Dynamic Neighbor Mask (ADNM) 機構を導入し,それをTransformer and Denoising Diffusion Modelと統合する。 ADNMモジュールは、データ再構成中に入力と出力の特徴間の情報漏洩を軽減するために導入された。 Denoising Diffusion Transformer (DDT)は、Denoising Diffusion Modelのための内部ニューラルネットワーク構造としてTransformerを使用している。
  論文  参考訳（メタデータ） (2023-10-13T01:18:41Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
  本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。 DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
  論文  参考訳（メタデータ） (2023-05-15T20:24:38Z)
• Structural Vibration Signal Denoising Using Stacking Ensemble of Hybrid CNN-RNN [0.0]
  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。
  論文  参考訳（メタデータ） (2023-03-11T00:49:45Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Power Quality Event Recognition and Classification Using an Online Sequential Extreme Learning Machine Network based on Wavelets [0.0]
  本研究では,過渡条件下での電力品質問題を検出するために,ウェーブレットに基づくオンラインシーケンス・エクストリーム・ラーニング・マシン(OS-ELM)分類器の試作と試験を行った。 様々なタイプのパワー障害を検出し、分類する能力を示すために、いくつかの一時的なイベントが使用された。
  論文  参考訳（メタデータ） (2022-12-27T06:33:46Z)
• Accelerating Diffusion Models via Early Stop of the Diffusion Process [114.48426684994179]
  Denoising Diffusion Probabilistic Models (DDPM) は、様々な世代タスクにおいて優れたパフォーマンスを実現している。 実際には、DDPMは高品質なサンプルを得るために何十万ものデノナイジングステップを必要とすることが多い。 本稿では,DDPMの早期停止型DDPM(Early-Stopped DDPM, ES-DDPM)の原理的高速化戦略を提案する。
  論文  参考訳（メタデータ） (2022-05-25T06:40:09Z)
• 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)

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。