文献

J-GLOBAL ID：201802291730039102   整理番号：18A0147812

深い学習を通した自動特徴抽出を用いた構造損傷検出【Powered by NICT】

Structural Damage Detection with Automatic Feature-Extraction through Deep Learning

著者 (3件)： Lin Yi-zhou (School of Mechanics and Construction Engineering, Jinan University & Key Lab of Disaster Forecast and Control in Engineering, Ministry of Education, Guangzhou, China) ,  Nie Zhen-hua (School of Mechanics and Construction Engineering, Jinan University & Key Lab of Disaster Forecast and Control in Engineering, Ministry of Education, Guangzhou, China) ,  Ma Hong-wei (Dongguan University of Technology, Dongguan, China & Department of Civil Engineering, Qinghai University, Xining, China)
資料名： Computer-Aided Civil and Infrastructure Engineering  (Computer-Aided Civil and Infrastructure Engineering)
巻： 32  号： 12  ページ： 1025-1046  発行年： 2017年 
JST資料番号： T0294A  ISSN： 1093-9687  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 構造損傷検出は,構造応答からの損傷感度と雑音にロバストな特徴抽出の困難のために挑戦的な問題である。深い学習を通した低レベルセンサデータからの特徴を自動的に抽出する新しい損傷検出手法を提示した。学習特徴と損傷位置を同定し,雑音のない場合と雑音の両データセットに対して優れた位置決め精度をもたらす入力特徴としてウェーブレットパケット成分エネルギーを用いた他の検出器とは対照的に設計した深層畳込みニューラルネットワーク。ネットワークにおける隠れた層により学習された特徴の可視化は,どのようにしてネットワーク研究への物理的洞察を得るために実行した。学んだ特徴は粗いフィルタからの深さと共に発展する振動モードの概念,データの背後の非常に重要な特性を学習するその能力から良好な性能結果を意味するが分かった。Copyright 2018 Wiley Publishing Japan K.K. All Rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： フィルタ ,  *損傷検出 ,  検出器 ,  深層 ,  ロバスト性 ,  ネットワーク ,  *学習 ,  振動モード ,  雑音 ,  *特徴抽出 ,  可視化
準シソーラス用語： 畳込みニューラルネットワーク ,  ウェーブレットパケット ,  位置決め精度 ,  構造応答 , 【Automatic Indexing@JST】

分類 (1件)： 構造設計一般  (RA04010E)

タイトルに関連する用語 (3件)： 学習 ,  特徴抽出 ,  損傷検出