論文の概要: Classifier-guided neural blind deconvolution: a physics-informed denoising module for bearing fault diagnosis under heavy noise

• arxiv url: http://arxiv.org/abs/2404.15341v1
• Date: Thu, 11 Apr 2024 03:17:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-28 10:46:58.110201
• Title: Classifier-guided neural blind deconvolution: a physics-informed denoising module for bearing fault diagnosis under heavy noise
• Title（参考訳）: 分類器誘導型ニューラルブラインドデコンボリューション:重騒音下での故障診断のための物理インフォームドデノナイジングモジュール
• Authors: Jing-Xiao Liao, Chao He, Jipu Li, Jinwei Sun, Shiping Zhang, Xiaoge Zhang,
• Abstract要約: ブラインドデコンボリューション (BD) は, 強い背景雑音下での振動信号から断層特有の特徴を抽出する有効な手法として実証されている。 本稿では,BDに基づく特徴抽出と深層学習に基づく断層分類の併用学習のための分類器誘導型BD(ClassBD)を提案する。 3つのデータセットによる実験結果から、ClassBDはノイズの多い条件下での他の最先端手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.267604065350495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blind deconvolution (BD) has been demonstrated as an efficacious approach for extracting bearing fault-specific features from vibration signals under strong background noise. Despite BD's desirable feature in adaptability and mathematical interpretability, a significant challenge persists: How to effectively integrate BD with fault-diagnosing classifiers? This issue arises because the traditional BD method is solely designed for feature extraction with its own optimizer and objective function. When BD is combined with downstream deep learning classifiers, the different learning objectives will be in conflict. To address this problem, this paper introduces classifier-guided BD (ClassBD) for joint learning of BD-based feature extraction and deep learning-based fault classification. Firstly, we present a time and frequency neural BD that employs neural networks to implement conventional BD, thereby facilitating the seamless integration of BD and the deep learning classifier for co-optimization of model parameters. Subsequently, we develop a unified framework to use a deep learning classifier to guide the learning of BD filters. In addition, we devise a physics-informed loss function composed of kurtosis, $l_2/l_4$ norm, and a cross-entropy loss to jointly optimize the BD filters and deep learning classifier. Consequently, the fault labels provide useful information to direct BD to extract features that distinguish classes amidst strong noise. To the best of our knowledge, this is the first of its kind that BD is successfully applied to bearing fault diagnosis. Experimental results from three datasets demonstrate that ClassBD outperforms other state-of-the-art methods under noisy conditions.
• Abstract（参考訳）: ブラインドデコンボリューション (BD) は, 強い背景雑音下での振動信号から断層特有の特徴を抽出する有効な手法として実証されている。 BDの適応性と数学的解釈性には望ましい特徴があるが、重要な課題は以下のとおりである。 この問題は、従来のBD法が、独自の最適化機能と目的関数を備えた特徴抽出専用に設計されているためである。 BDを下流のディープラーニング分類器と組み合わせると、異なる学習目標が衝突する。 そこで本研究では,BDに基づく特徴抽出と深層学習に基づく断層分類の併用学習のための分類器誘導型BD(ClassBD)を提案する。 まず,ニューラルネットワークを用いて従来のBDを実装し,モデルパラメータの協調最適化のためのBDとディープラーニング分類器のシームレスな統合を容易にする時間と周波数のニューラルネットワークBDを提案する。 次に,BDフィルタの学習を誘導する深層学習分類器を用いた統合フレームワークを開発した。 さらに,Krtosis, $l_2/l_4$ norm, and a cross-entropy lossという物理インフォームド損失関数を考案し,BDフィルタとディープラーニング分類器を協調的に最適化する。 その結果、障害ラベルは、強い雑音の中でクラスを区別する特徴を抽出するためにBDを指示するのに有用な情報を提供する。 我々の知る限りでは、BDが障害診断にうまく適用された最初の例である。 3つのデータセットによる実験結果から、ClassBDはノイズの多い条件下での他の最先端手法よりも優れていることが示された。

関連論文リスト

• BUNDL: Bayesian Uncertainty-aware Deep Learning with Noisy training Labels for Seizure Detection in EEG [4.3152965872426625]
  Scalp EEGは高いノイズレベルに影響を受けやすいため、発作のタイミングや特徴の不正確なアノテーションにつながる。 本稿では,ラベル曖昧性の深層学習モデルを示す新しい統計フレームワークを提案する。 BUNDLはラベルの曖昧さに対処するために特別に設計されており、てんかん評価のための信頼性と信頼性のあるモデルのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-10-17T21:19:39Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Knowledge Diffusion for Distillation [53.908314960324915]
  知識蒸留(KD)における教師と学生の表現ギャップ これらの手法の本質は、ノイズ情報を捨て、その特徴の貴重な情報を蒸留することである。 DiffKDと呼ばれる新しいKD手法を提案し、拡散モデルを用いて特徴を明示的に識別し一致させる。
  論文  参考訳（メタデータ） (2023-05-25T04:49:34Z)
• Learning with Noisy Labels through Learnable Weighting and Centroid Similarity [5.187216033152917]
  ノイズラベルは、医学診断や自律運転などの領域で一般的である。 本稿では,雑音ラベルの存在下で機械学習モデルを訓練するための新しい手法を提案する。 以上の結果から,本手法は既存の最先端技術よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2023-03-16T16:43:24Z)
• Towards Harnessing Feature Embedding for Robust Learning with Noisy Labels [44.133307197696446]
  ディープニューラルネットワーク(DNN)の記憶効果は,近年のラベルノイズ学習法において重要な役割を担っている。 ラベルノイズを用いたディープラーニングのための新しい特徴埋め込み方式, LabEl Noise Dilution (LEND) を提案する。
  論文  参考訳（メタデータ） (2022-06-27T02:45:09Z)
• Prototype-Anchored Learning for Learning with Imperfect Annotations [83.7763875464011]
  不完全な注釈付きデータセットからバイアスのない分類モデルを学ぶことは困難である。 本稿では,様々な学習に基づく分類手法に容易に組み込むことができるプロトタイプ・アンコレッド学習法を提案する。 我々は,PALがクラス不均衡学習および耐雑音学習に与える影響を,合成および実世界のデータセットに関する広範な実験により検証した。
  論文  参考訳（メタデータ） (2022-06-23T10:25:37Z)
• Learning Efficient, Explainable and Discriminative Representations for Pulmonary Nodules Classification [2.4565395352560895]
  本研究では,効率的かつ(部分的に)説明可能な分類モデルの構築を目指す。 我々は,3次元ネットワークアーキテクチャを高精度かつ高速なトレードオフで自動検索するために,ニューロンアーキテクチャサーチ(NAS)を用いる。 推論段階では、予測精度とロバスト性を改善するために、多様なニューラルネットワークのアンサンブルを用いる。
  論文  参考訳（メタデータ） (2021-01-19T02:53:44Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。