文献

J-GLOBAL ID：202002263347923970   整理番号：20A0577842

機械学習のマルチラベル分類スキームを用いた多部位構造損傷同定【JST・京大機械翻訳】

Multi-site structural damage identification using a multi-label classification scheme of machine learning

著者 (2件)： Zhang Zhiming (Civil and Environmental Engineering Department, Louisiana State University, USA) ,  Sun Chao (Civil and Environmental Engineering Department, Louisiana State University, USA)
資料名： Measurement  (Measurement)
巻： 154  ページ： Null  発行年： 2020年 
JST資料番号： W0315B  ISSN： 0263-2241  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 本研究では,データ駆動マルチラベル分類(MLC)法を用いてマルチサイト構造損傷を位置決めする新しい方法を提案した。カテゴリとして各損傷事例をセットする多クラス分類(MCC)方式とは異なり,MLC法は複数ラベルを持つ各損傷事例を示し,各ラベルはある位置での損傷の発生を示す。MLC法は,MCC法で無視される損傷位置を共有する損傷事例間の物理的相関を考慮する。本論文は,MLCを実行するために実例分化アルゴリズムを使用した。数値的および実験的データを用いた損傷同定結果は,MLCが訓練データセットによってカバーされない損傷事例に対してさえも,良好な精度でマルチサイト損傷を同定できることを示した。比較を通して,MLC法がマルチサイト損傷同定のためにMCCと二値分類法より優れていることを実証した。さらに,非観測マルチサイト損傷事例で試験した場合,MLCは一般性を保持した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 分化 ,  普遍性 ,  *機械学習 ,  アルゴリズム
準シソーラス用語： 二値分類 ,  訓練データ ,  多クラス分類 ,  *構造損傷 ,  データ駆動 ,  *損傷同定 ,  *マルチラベル分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： マルチサイト損傷同定 ,  構造ヘルスモニタリング ,  マルチラベル分類 ,  機械学習 ,  データ駆動法

分類 (5件)： 地震学一般  (DC03020A) ,  機械的性質  (YH02022L) ,  磁気の計測法・機器  (AD07060U) ,  断熱材,伝熱材  (PA03030R) ,  自然災害  (RA02030M)

タイトルに関連する用語 (4件)： 機械学習 ,  マルチラベル分類 ,  スキーム ,  損傷同定