論文の概要: Physics-informed network paradigm with data generation and background noise removal for diverse distributed acoustic sensing applications

• arxiv url: http://arxiv.org/abs/2506.21952v1
• Date: Fri, 27 Jun 2025 06:46:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.109282
• Title: Physics-informed network paradigm with data generation and background noise removal for diverse distributed acoustic sensing applications
• Title（参考訳）: 多様な分散音響センシングアプリケーションのためのデータ生成と背景雑音除去による物理インフォームドネットワークパラダイム
• Authors: Yangyang Wan, Haotian Wang, Xuhui Yu, Jiageng Chen, Xinyu Fan, Zuyuan He,
• Abstract要約: 既存のAIモデルは、トレーニングのためにラベル付けされているかどうかに関わらず、現実世界のデータ(RWD)を必要とする。 ここでは、実世界のイベントデータを必要としない物理インフォームドDASニューラルネットワークパラダイムを提案する。 提案手法の有効性は,DASデータの公開データセットに基づく事象識別アプリケーションと,DAS時間周波数データに基づくベルトコンベア故障監視アプリケーションで検証される。
• 参考スコア（独自算出の注目度）: 1.6412357303790421
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distributed acoustic sensing (DAS) has attracted considerable attention across various fields and artificial intelligence (AI) technology plays an important role in DAS applications to realize event recognition and denoising. Existing AI models require real-world data (RWD), whether labeled or not, for training, which is contradictory to the fact of limited available event data in real-world scenarios. Here, a physics-informed DAS neural network paradigm is proposed, which does not need real-world events data for training. By physically modeling target events and the constraints of real world and DAS system, physical functions are derived to train a generative network for generation of DAS events data. DAS debackground net is trained by using the generated DAS events data to eliminate background noise in DAS data. The effectiveness of the proposed paradigm is verified in event identification application based on a public dataset of DAS spatiotemporal data and in belt conveyor fault monitoring application based on DAS time-frequency data, and achieved comparable or better performance than data-driven networks trained with RWD. Owing to the introduction of physical information and capability of background noise removal, the paradigm demonstrates generalization in same application on different sites. A fault diagnosis accuracy of 91.8% is achieved in belt conveyor field with networks which transferred from simulation test site without any fault events data of test site and field for training. The proposed paradigm is a prospective solution to address significant obstacles of data acquisition and intense noise in practical DAS applications and explore more potential fields for DAS.
• Abstract（参考訳）: 分散音響センシング(DAS)は様々な分野において注目を集めており、AI(人工知能)技術はイベント認識と雑音認識を実現するためのDASアプリケーションにおいて重要な役割を担っている。 既存のAIモデルは、実世界のシナリオで利用可能な限られたイベントデータと矛盾するトレーニングのためにラベル付けされたかどうかに関わらず、実世界のデータ(RWD)を必要とする。 ここでは、実世界のイベントデータを必要としない物理インフォームドDASニューラルネットワークパラダイムを提案する。 対象イベントと実世界のDASシステムの制約を物理的にモデル化することにより、DASイベントデータを生成するための生成ネットワークをトレーニングするために物理関数を導出する。 生成されたDASイベントデータを用いてDASデバックグラウンドネットをトレーニングし、DASデータのバックグラウンドノイズを除去する。 提案手法の有効性は,DAS時空間データの公開データセットに基づく事象識別アプリケーションや,DAS時周データに基づくベルトコンベヤ故障監視アプリケーションにおいて検証され,RWDで訓練されたデータ駆動ネットワークと比較して,同等あるいは優れた性能を達成した。 物理情報の導入と背景雑音除去の能力により,このパラダイムは異なるサイトで同じ応用の一般化を示す。 試験場および訓練用フィールドの故障イベントデータなしでシミュレーション試験場から移動したネットワークを有するベルトコンベアフィールドにおいて、91.8%の故障診断精度が達成される。 提案したパラダイムは,DASアプリケーションにおけるデータ取得と強騒音の重大な障害に対処し,DASのさらなる可能性を探るための先進的な解決策である。

関連論文リスト

• STaRFormer: Semi-Supervised Task-Informed Representation Learning via Dynamic Attention-Based Regional Masking for Sequential Data [4.351581973358463]
  トランスフォーマーベースのアプローチであるSTaRFormerは、シーケンシャルモデリングのための普遍的なフレームワークとして機能する。 STaRFormerは、動的注意に基づく領域マスキングスキームと半教師付きコントラスト学習を組み合わせて、タスク固有の潜在表現を強化する。
  論文  参考訳（メタデータ） (2025-04-14T11:03:19Z)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• Federated Learning Based Distributed Localization of False Data Injection Attacks on Smart Grids [5.705281336771011]
  偽データインジェクション攻撃(False Data Injection attack, FDIA)は、悪意のあるデータを注入することで、スマート測定デバイスをターゲットにする攻撃の1つである。 本稿では,ハイブリッドディープニューラルネットワークアーキテクチャと組み合わせたフェデレート学習に基づくスキームを提案する。 提案手法をIEEE 57,118,300バスシステムおよび実電力負荷データを用いて広範囲なシミュレーションにより検証した。
  論文  参考訳（メタデータ） (2023-06-17T20:29:55Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Event Data Association via Robust Model Fitting for Event-based Object Tracking [4.36706221903271]
  本稿では,イベントアソシエーションと融合問題に明示的に対処する新しいイベントデータアソシエーション(EDA)手法を提案する。 提案するEDAは、統合データアソシエーションと情報融合を行うために、イベントデータに最も適したイベントトラジェクトリを求める。 実験結果から,高速,運動のぼやけ,高ダイナミックレンジ条件といった難易度シナリオ下でのEDAの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-25T13:56:00Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• MLReal: Bridging the gap between training on synthetic data and real data applications in machine learning [1.9852463786440129]
  本稿では,実際のデータ特徴を持つ合成データの教師付きトレーニングを強化するための新しいアプローチについて述べる。 トレーニング段階では、入力データは合成ドメインから、自動相関データは実ドメインからである。 推論/アプリケーション段階では、入力データは実サブセットドメインからであり、自己相関区間の平均は合成データサブセットドメインからである。
  論文  参考訳（メタデータ） (2021-09-11T14:43:34Z)

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。