Oct, 2022

使用变分自编码器和单类支持向量机进行半监督结构损伤检测

PDF
TL;DR本篇论文提出了一种半监督方法，其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤，然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件，该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。
artificial neural networksstructural health monitoringsemi-supervised approachvariational autoencoderone-class support vector machine
发现论文，激发创造
  • 力学信息自编码器实现未预料的结构损伤的自动检测和定位

    使用全自动化的机械类自动编码器实现结构损伤的自动检测和定位，该方法结合了可扩展、廉价、无需人工干预、针对每个机械结构定制化的全被动测量技术，具有较标准自动编码器 35% 提前检测和定位损伤的能力，有望显著降低人工干预和检测成本，延长土木基础设施的寿命、可靠性和可持续性。

    Feb, 2024

  • 利用不完整数据的状态监测：一种集成变分自编码器和距离度量框架

    通过零样本学习方法，本文提出了一种新的故障检测和状态监测方法，可以在没有故障样本的情况下，对工业系统进行可靠的故障检测与健康状况评估。通过使用变分自编码器捕捉先前观察到和未知条件的概率分布，在隐空间比较每个样本与正常操作的参考分布的偏差，建立健康指数的阈值，能够高准确度地检测严重的未知故障，从而提升工业领域的故障检测能力，增强安全性和优化维护实践。

    Apr, 2024

  • 基于 CNN 的时间序列传感器数据结构损伤检测

    这项研究引入了一种创新的卷积神经网络算法来检测结构损伤，通过从时间序列数据中提取深度空间特征，并利用长期时间连接教授卷积神经网络识别时空特征，结合两类时间序列数据（完好和损坏）的方法验证了其有效性，并证明该新的卷积神经网络算法在检测结构退化方面非常准确。

    Nov, 2023

  • 基于分层条件变分自编码器的声学异常检测

    该研究旨在开发一种基于声学信号的无监督异常检测方法，提出了一种名为 HCVAE 的新方法，利用可用的分类层次知识来完善潜空间表示，提高异常检测性能，并在不同领域进行实证研究，其性能優于基线系统 15％的 AUC 得分。

    Jun, 2022

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 2024

  • 使用变分自动编码器进行无监督异常定位

    提出了一种基于深度学习和变分自动编码器的医学图像寻找异常度量的解决方案，其中尤其强调了基于 Kullback-Leibler (KL) 分歧的异常定位算法，实验证明它具有比现有方法更好的性能。

    Jul, 2019

  • 深度变分半监督新颖性检测

    本文研究了基于深度生成模型的异常检测，提出了两种改进的变分自编码器方法用于半监督学习，并在自然图片、天文和医学数据集中取得了显著的异常检测优化。

    Nov, 2019

  • 通过有条件深度生成模型作为结构健康监测应用中空间场解重建的替代模型，且能够量化其不确定性

    本文中介绍基于条件深度生成模型和卷积神经网络的 CVAE 方法，旨在构建适用于高维数据和具有不确定性的结构健康监测的模型。在两个与结构健康监测相关的数字示例中，模型具有高重构精度和较好的抗负载能力。

    Feb, 2023

  • 基于孪生神经网络潜空间的单类支持向量机用于脑 MRI 白质高信号异常无监督检测

    提出基于 Patch 自编码器的无监督异常检测方法，在多模态神经影像任务中，将单类支持向量机应用于异常检测以检测病变，评估了该模型在公共数据集 White Matter Hyperintensities (WMH) Challenge 上的性能和表现与两种最优秀的现有技术相当。

    Apr, 2023