结构健康监测问题的划分方法及与迁移学习的类比
机器学习
2022-03-04 v1 计算工程、金融与科学
系统与控制
系统与控制
摘要
在当前工作中，一种问题拆分方法以及受迁移学习启发的方案被应用于一个结构健康监测问题。本案例中的具体问题是飞机机翼损伤定位。原始实验及初步方法（即训练一个神经网络来定位损伤）已被描述。结果并不理想，部分原因是训练数据稀缺，部分原因是难以分辨其中两种损伤情况。在本文中，该问题被拆分为两个子问题，并获得了分类准确率的提升。这些子问题是通过将最难分类的损伤情况分离出来得到的。第二种处理该问题的方法考虑了采纳迁移学习（通常应用于更深的网络）的思想，以观察在较简单损伤情况上训练的网络是否有助于在更困难情况中的特征提取。研究发现，在网络间迁移固定的一批已训练层能够通过使特征空间中的各类更易分离来改善分类，并加速收敛。
引用
@article{arxiv.2203.01655,
title = {On partitioning of an SHM problem and parallels with transfer learning},
author = {G. Tsialiamanis and D. J. Wagg and P. A. Gardner and N. Dervilis and K. Worden},
journal= {arXiv preprint arXiv:2203.01655},
year = {2022}
}