结构健康监测的概率推断：从数据中学习的新模式
机器学习
2021-03-03 v1 机器学习
信号处理
摘要
在数据驱动的结构健康监测（SHM）中，从运行中的系统记录的信号可能含有噪声且不完整。对应于各运行、环境与损伤状态的数据很少能先验获得；此外，用于描述测量的标签通常不可用。因此，用于实现 SHM 的算法应当鲁棒且自适应，同时能容纳训练数据中的缺失信息——以便新信息在可用时被纳入。通过回顾（先前工作中引入的）统计学习新技术，我们认为概率算法为实践中 SHM 数据建模提供了自然解。在三个案例研究中，概率方法被改造应用于 SHM 信号——包括半监督学习、主动学习和多任务学习。
引用
@article{arxiv.2103.01676,
title = {Probabilistic Inference for Structural Health Monitoring: New Modes of Learning from Data},
author = {Lawrence A. Bull and Paul Gardner and Timothy J. Rogers and Elizabeth J. Cross and Nikolaos Dervilis and Keith Worden},
journal= {arXiv preprint arXiv:2103.01676},
year = {2021}
}
备注
This material may be downloaded for personal use only. Any other use requires prior permission of the American Society of Civil Engineers. This material may be found at https://doi.org/10.1061/AJRUA6.0001106