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
- RaSim: A Range-aware High-fidelity RGB-D Data Simulation Pipeline for Real-world Applications [55.24463002889]
我々は深度データ合成に焦点をあて、レンジ対応RGB-Dデータシミュレーションパイプライン(RaSim)を開発した。
特に、実世界のセンサーの撮像原理を模倣して高忠実度深度データを生成する。
RaSimは、下流のRGB-D知覚タスクで微調整をすることなく、現実世界のシナリオに直接適用することができる。
論文 参考訳(メタデータ) (2024-04-05T08:52:32Z) - 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) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳(メタデータ) (2023-10-11T07:30:37Z) - Attention-stacked Generative Adversarial Network (AS-GAN)-empowered
Sensor Data Augmentation for Online Monitoring of Manufacturing System [6.635444871363967]
本稿では,製造システムにおけるオンライン監視のセンサデータ拡張のための注意喚起型GAN(AS-GAN)アーキテクチャを提案する。
GANのジェネレータを強化し、シーケンシャルな情報をキャプチャする新しいアテンションスタックフレームワークが組み込まれている。
論文 参考訳(メタデータ) (2023-06-09T21:35:34Z) - 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) - Synthetic flow-based cryptomining attack generation through Generative
Adversarial Networks [1.2575897140677708]
マシンラーニングコンポーネントのパフォーマンス向上には,フローベースのデータセットが不可欠だ。
データプライバシは,このようなネットワークデータを処理する上で,強い要件としてますます現れています。
本稿では,GANが生成する合成データの質を測定するための新しい決定論的手法を提案する。
論文 参考訳(メタデータ) (2021-07-30T17:27:55Z) - Anomaly Detection through Transfer Learning in Agriculture and
Manufacturing IoT Systems [4.193524211159057]
本稿では, 農作物に設置したセンサから, 7種類のセンサからのデータと, 振動センサを用いた先進的な製造試験からのデータを分析する。
これら2つのアプリケーション領域において、予測的障害分類がいかに達成され、予測的メンテナンスの道が開かれたかを示す。
論文 参考訳(メタデータ) (2021-02-11T02:37:27Z) - 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) - Data Mining with Big Data in Intrusion Detection Systems: A Systematic
Literature Review [68.15472610671748]
クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。
データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。
ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
論文 参考訳(メタデータ) (2020-05-23T20:57:12Z) - 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。