論文の概要: Fully Data-Driven Model for Increasing Sampling Rate Frequency of
Seismic Data using Super-Resolution Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2402.00153v1
- Date: Wed, 31 Jan 2024 20:15:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 17:24:06.978898
- Title: Fully Data-Driven Model for Increasing Sampling Rate Frequency of
Seismic Data using Super-Resolution Generative Adversarial Networks
- Title（参考訳）: 超解像生成対向ネットワークを用いた地震データのサンプリング周波数向上のための完全データ駆動モデル
- Authors: Navid Gholizadeh and Javad Katebi
- Abstract要約: 本研究では,超解像生成逆数ネットワーク(SRGAN)を用いて,時系列データの分解能を向上させる。
SRGANはこれらの低解像度画像のアップスケールに利用され、全体的なセンサー解像度が向上する。
SRGAN法は実地震データを用いて厳密に評価し,その性能を従来の拡張手法と比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: High-quality data is one of the key requirements for any engineering
application. In earthquake engineering practice, accurate data is pivotal in
predicting the response of structure or damage detection process in an
Structural Health Monitoring (SHM) application with less uncertainty. However,
obtaining high-resolution data is fraught with challenges, such as significant
costs, extensive data channels, and substantial storage requirements. To
address these challenges, this study employs super-resolution generative
adversarial networks (SRGANs) to improve the resolution of time-history data
such as the data obtained by a sensor network in an SHM application, marking
the first application of SRGANs in earthquake engineering domain. The
time-series data are transformed into RGB values, converting raw data into
images. SRGANs are then utilized to upscale these low-resolution images,
thereby enhancing the overall sensor resolution. This methodology not only
offers potential reductions in data storage requirements but also simplifies
the sensor network, which could result in lower installation and maintenance
costs. The proposed SRGAN method is rigorously evaluated using real seismic
data, and its performance is compared with traditional enhancement techniques.
The findings of this study pave the way for cost-effective and efficient
improvements in the resolution of sensors used in SHM systems, with promising
implications for the safety and sustainability of infrastructures worldwide.
- Abstract（参考訳）: 高品質のデータは、あらゆるエンジニアリングアプリケーションにとって重要な要件の1つです。
地震工学の実践において、構造健康モニタリング(SHM)アプリケーションにおける構造や損傷検出プロセスの応答の予測には正確なデータが重要である。
しかし、高解像度データを取得するには、大幅なコスト、広範なデータチャネル、大規模なストレージ要求といった課題が伴う。
これらの課題に対処するために, センサネットワークがSHMアプリケーションで取得したデータなどの時系列データの解像度を改善するため, SRGANの地震工学領域における最初の適用例を示すために, SRGANを用いた。
時系列データはRGB値に変換され、生データを画像に変換する。
SRGANはこれらの低解像度画像のスケールアップに利用され、全体的なセンサー解像度が向上する。
この方法論は、データストレージ要件の潜在的な削減を提供するだけでなく、センサーネットワークを単純化し、インストールとメンテナンスのコストを削減します。
SRGAN法は実地震データを用いて厳密に評価し,その性能を従来の拡張手法と比較した。
本研究の成果は、SHMシステムにおけるセンサの分解能の費用対効果と効率の向上を図り、世界中のインフラの安全性と持続可能性に有望な影響を与える。
関連論文リスト
- Efficient Unsupervised Domain Adaptation Regression for Spatial-Temporal Air Quality Sensor Fusion [6.963971634605796]
本稿では,グラフ構造データに対する回帰処理に適した新しいunsupervised domain adapt(UDA)手法を提案する。
センサ間の関係をモデル化するために、時空間グラフニューラルネットワーク(STGNN)を組み込んだ。
弊社のアプローチでは、安価なIoTセンサが高価な参照センサから校正パラメータを学習できる。
論文 参考訳（メタデータ） (2024-11-11T12:20:57Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Enabling High Data Throughput Reinforcement Learning on GPUs: A Domain Agnostic Framework for Data-Driven Scientific Research [90.91438597133211]
我々は、強化学習の適用において重要なシステムのボトルネックを克服するために設計されたフレームワークであるWarpSciを紹介する。
我々は、CPUとGPU間のデータ転送の必要性を排除し、数千のシミュレーションを同時実行可能にする。
論文 参考訳（メタデータ） (2024-08-01T21:38:09Z) - Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。
本稿では,HTGNN(Heterogeneous Temporal Graph Neural Network)フレームワークを提案する。
HTGNNは多様なセンサーからの信号を明示的にモデル化し、動作条件をモデルアーキテクチャに統合する。
論文 参考訳（メタデータ） (2024-07-26T12:16:53Z) - Quanv4EO: Empowering Earth Observation by means of Quanvolutional Neural Networks [62.12107686529827]
本稿は、大量のリモートセンシングデータの処理において、量子コンピューティング技術を活用することへの大きなシフトを取り上げる。
提案したQuanv4EOモデルでは,多次元EOデータを前処理するための準進化法が導入された。
主要な知見は,提案モデルが画像分類の精度を維持するだけでなく,EOのユースケースの約5%の精度向上を図っていることを示唆している。
論文 参考訳（メタデータ） (2024-07-24T09:11:34Z) - High-Quality and Full Bandwidth Seismic Signal Synthesis using Operational GANs [13.94568670805613]
そこで我々は,下層センサから取得した信号を変換することで,新しい,高品質,全帯域地震信号合成を提案する。
我々は,新しい損失関数を持つOp-GAN (Operational Generative Adversarial Networks) を用いた。
提案手法は,Simulated Ground Motion (SimGM) ベンチマークデータセット上で広範囲に評価されている。
論文 参考訳（メタデータ） (2024-07-06T08:07:23Z) - Computationally and Memory-Efficient Robust Predictive Analytics Using Big Data [0.0]
本研究では、データ不確実性、ストレージ制限、ビッグデータを用いた予測データ駆動モデリングの課題をナビゲートする。
本稿では,ロバスト主成分分析(RPCA)を有効ノイズ低減と外乱除去に利用し,最適センサ配置(OSP)を効率的なデータ圧縮・記憶に活用する。
論文 参考訳（メタデータ） (2024-03-27T22:39:08Z) - Transformer Networks for Data Augmentation of Human Physical Activity
Recognition [61.303828551910634]
Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。
本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
論文 参考訳（メタデータ） (2021-09-02T16:47:29Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳（メタデータ） (2021-02-05T04:26:05Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - D-SRGAN: DEM Super-Resolution with Generative Adversarial Networks [0.0]
LIDARデータはDEM(Digital Elevation Models)の主要な情報源として利用されている。
DEMは道路抽出、水文モデリング、洪水マッピング、表面分析など様々な用途で使用されている。
ディープラーニング技術は、高解像度データセットからの学習機能のパフォーマンスが研究者にとって魅力的なものになっている。
論文 参考訳（メタデータ） (2020-04-09T19:57:49Z)
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。