.png){kind=icon}
返回
An integrated data processing strategy for pavement modulus prediction using empirical mode decomposition techniques
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ymssp.2025.112468.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
利用嵌入式传感器进行基础设施健康监测的数据收集，常受到噪声污染和传感器测量不一致性的阻碍。这些挑战因不同传感器间数据特征的差异而加剧，使分析及解释过程复杂化。一种能够抑制噪声、调和特征差异并提取潜在信息的综合数据处理策略，对于提升基于数据的分析与建模至关重要。本研究提出了一种集成数据处理策略，结合经验模态分解（EMD）技术与自适应固有模态函数（IMF）分类，以改进路面动态模量的预测。将多种EMD方法应用于无线嵌入式传感器的信号分解，并采用最大归一化互相关（MNCC）和信噪比（SNR）作为指标，在K-means聚类过程中选取有效IMF。结果表明，集合经验模态分解（EEMD）技术能够有效捕捉关键力学响应信息，同时扩展数据维度，从而提高预测精度。因此，集成EEMD与K-means聚类的方法被推荐为基础设施数据处理和预测建模的有力工具。
Keyword:
Empirical mode decomposition (EMD)
Intrinsic mode function (IMF)
Embedded sensor
Artificial neural network (ANN)
Dynamic modulus
期刊
IF:
8.9
论文数:
1.3W
被引数:
6.6W
机构
暂无机构信息
引用论文
Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method.png)
RENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏分享收藏ENSEMBLE EMPIRICAL MODE DECOMPOSITION: A NOISE-ASSISTED DATA ANALYSIS METHOD集合经验模态分解: 一种噪声辅助数据分析方法
PREAI
分享收藏Enhanced processing of low signal-to-noise-ratio dynamic signals from pavement testingMEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏Effect of warm mix asphalt additive on the workability of asphalt mixture: From particle perspective
PREAI
分享收藏
查看更多内容