利用混合模型对具有顺序出现簇的声发射数据流进行聚类
机器学习
2022-11-29 v3 机器学习
声音
应用统计
统计方法学
摘要
对无标签声发射（AE）数据的解释通常依赖于通用聚类方法。尽管过去已有几种外部准则被用于选择这些算法的超参数，但很少有研究关注在能够处理 AE 数据特性的聚类方法中开发专用的目标函数。我们研究了一般混合模型，特别是高斯混合模型（GMM）中如何显式表示簇的出现。通过修改此类模型的内部准则，我们提出了首个能够通过期望最大化过程估计的参数，提供关于簇何时发生（出现）、如何增长（动力学）及其随时间激活水平信息的聚类方法。这一新目标函数适应 AE 信号的连续时间戳，从而适应其发生顺序。该方法被称为 GMMSEQ，在振动下螺栓结构松动现象的表征中得到了实验验证。对来自五次实验活动的原始流数据与三种标准聚类方法的比较表明，GMMSEQ 不仅提供了关于簇时间线的有用定性信息，而且在簇表征方面也表现出更好的性能。鉴于开发开放声发射倡议以及遵循 FAIR 原则，本文提供的数据集和代码可用于复现本研究。
引用
@article{arxiv.2108.11211,
title = {Clustering acoustic emission data streams with sequentially appearing clusters using mixture models},
author = {Emmanuel Ramasso and Thierry Denoeux and Gael Chevallier},
journal= {arXiv preprint arXiv:2108.11211},
year = {2022}
}