論文の概要: WaveletInception Networks for Drive-by Vibration-Based Infrastructure Health Monitoring

• arxiv url: http://arxiv.org/abs/2507.12969v1
• Date: Thu, 17 Jul 2025 10:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.449752
• Title: WaveletInception Networks for Drive-by Vibration-Based Infrastructure Health Monitoring
• Title（参考訳）: 振動によるインフラストラクチャヘルスモニタリングのためのウェーブレットインセプションネットワーク
• Authors: Reza Riahi Samani, Alfredo Nunez, Bart De Schutter,
• Abstract要約: 本稿では、駆動バイ振動応答信号を用いたインフラの健康モニタリングのための新しいディープラーニングベースのフレームワークを提案する。 スペクトル情報と時間情報の重要性を認識し,WaveletInception-BiLSTMネットワークを導入する。 鉄道車両の剛性評価に焦点をあてたケーススタディでは,鉄道車両のバラストおよびレールパッドの剛性パラメータの推定において,モデルが最先端の手法を著しく上回ることを示した。
• 参考スコア（独自算出の注目度）: 12.238448638194203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a novel deep learning-based framework for infrastructure health monitoring using drive-by vibration response signals. Recognizing the importance of spectral and temporal information, we introduce the WaveletInception-BiLSTM network. The WaveletInception feature extractor utilizes a Learnable Wavelet Packet Transform (LWPT) as the stem for extracting vibration signal features, incorporating spectral information in the early network layers. This is followed by 1D Inception networks that extract multi-scale, high-level features at deeper layers. The extracted vibration signal features are then integrated with operational conditions via a Long Short-term Memory (LSTM) layer. The resulting feature extraction network effectively analyzes drive-by vibration signals across various measurement speeds without preprocessing and uses LSTM to capture interrelated temporal dependencies among different modes of information and to create feature vectors for health condition estimation. The estimator head is designed with a sequential modeling architecture using bidirectional LSTM (BiLSTM) networks, capturing bi-directional temporal relationships from drive-by measurements. This architecture allows for a high-resolution, beam-level assessment of infrastructure health conditions. A case study focusing on railway track stiffness estimation with simulated drive-by vibration signals shows that the model significantly outperforms state-of-the-art methods in estimating railway ballast and railpad stiffness parameters. Results underscore the potential of this approach for accurate, localized, and fully automated drive-by infrastructure health monitoring.
• Abstract（参考訳）: 本稿では、駆動バイ振動応答信号を用いたインフラの健康モニタリングのための新しいディープラーニングベースのフレームワークを提案する。 スペクトル情報と時間情報の重要性を認識し,WaveletInception-BiLSTMネットワークを導入する。 WaveletInception特徴抽出器は、Learable Wavelet Packet Transform (LWPT) を用いて、初期のネットワーク層にスペクトル情報を取り入れ、振動信号の特徴を抽出する。 続く1Dインセプションネットワークは、より深い層でマルチスケールでハイレベルな特徴を抽出する。 抽出した振動信号の特徴は、Long Short-term Memory (LSTM)層を介して動作条件と統合される。 得られた特徴抽出ネットワークは、各種計測速度の駆動バイ振動信号を前処理なしで効果的に解析し、LSTMを用いて異なる情報モード間の関連時間依存性を捕捉し、健康状態推定のための特徴ベクトルを作成する。 推定器ヘッドは、双方向LSTM(Bidirectional LSTM)ネットワークを用いた逐次モデリングアーキテクチャを用いて設計され、ドライブバイ測定から双方向時間関係をキャプチャする。 このアーキテクチャは、インフラの健康状態の高解像度でビームレベルの評価を可能にする。 シミュレーション駆動型振動信号を用いた鉄道線路の剛性評価に着目したケーススタディでは,鉄道バラストおよびレールパッドの剛性パラメータの推定における最先端手法を著しく上回っている。 結果は、正確な、ローカライズされた、完全に自動化されたインフラストラクチャによるヘルス監視のためのこのアプローチの可能性を強調している。

関連論文リスト

• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
  ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。 マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。 その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
  論文  参考訳（メタデータ） (2025-04-07T15:38:25Z)
• EvMic: Event-based Non-contact sound recovery from effective spatial-temporal modeling [69.96729022219117]
  音波が物体にぶつかると、高周波で微妙な視覚変化をもたらす振動を誘発する。 イベントカメラハードウェアの最近の進歩は、その視覚的聴覚回復への応用に有益であることを示している。 イベントストリームからの時空間情報を完全に活用した,非接触音の回復のための新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-04-03T08:51:17Z)
• Range and Angle Estimation with Spiking Neural Resonators for FMCW Radar [16.91912935835324]
  自動車レーダーシステムは、高いサンプリングレートと大規模なデータ帯域幅を管理するという課題に直面している。 ニューロモルフィックコンピューティングは、その固有のエネルギー効率と並列処理能力のために、有望なソリューションを提供する。 本研究では、周波数変調連続波レーダ(FMCW)の信号処理のための新しいスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-02T13:51:03Z)
• A Bidirectional Long Short Term Memory Approach for Infrastructure Health Monitoring Using On-board Vibration Response [0.0]
  本稿では,鉄道線路の剛性などの物理パラメータを駆動バイ振動応答信号を用いて推定する深層学習手法を提案する。 提案手法は, 鉄道線路の硬さを正確に自動推定し, 騒音発生時の局所硬さ低減を推定する。
  論文  参考訳（メタデータ） (2024-12-03T18:15:34Z)
• 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)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• A Novel Approach For Analysis of Distributed Acoustic Sensing System Based on Deep Transfer Learning [0.0]
  畳み込みニューラルネットワークは、空間情報を抽出するための非常に有能なツールである。 LSTM(Long-Short term memory)は、シーケンシャルデータを処理するための有効な機器である。 我々のフレームワークのVGG-16アーキテクチャは、50のトレーニングで100%の分類精度が得られる。
  論文  参考訳（メタデータ） (2022-06-24T19:56:01Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う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） (2022-02-07T18:57:23Z)
• Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM) [0.0]
  本稿では,オープンベンチマークにホストされたPeMS(Caltrans Performance Measurement System)から,多様なトラフィック状態データセットを活用する。 我々は,低レベルから高レベルLong Short-Term Memory (LSTM) ネットワーク間のセルおよび隠れ状態とアテンションプーリング機構を統合した。 構築された階層構造は、ネットワークレベルのトラフィック状態の空間的時間的相関をキャプチャして、異なる時間スケールにまたがる依存関係を考慮に入れられるように設計されている。
  論文  参考訳（メタデータ） (2022-01-15T05:25:03Z)
• A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network [55.852401381113786]
  本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。 LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。 特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
  論文  参考訳（メタデータ） (2020-03-16T03:43:59Z)

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。