.png){kind=icon}
返回
Light gradient boosting machine for data augmentation optimization and model selection for one-dimensional multiclass damage detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s13349-026-01096-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，开发用于创建高效且有效的结构健康监测平台的集成人工智能算法已取得显著进展和应用。然而，如同将新技术引入任何领域一样，将人工智能模型应用于结构健康监测中的损伤检测、分类、定位和量化时也存在独特挑战。特别是，从结构中提取数据所涉及的后勤、经济和安全限制导致数据集存在样本量有限、类别不平衡的问题，从而产生训练不足且存在偏见的AI模型，导致性能欠佳。尽管在数据增强领域进行了大量研究，即创建包含与现有数据相似统计信息的新样本，但该研究方向存在局限性，包括生成样本的质量和多样性，以及先前开发技术的有效性。本研究采用轻量梯度提升模型，对应用于从1D时序结构数据中提取的现有时域和频域特征的各种数据增强技术的效果进行排序。通过预测一个新的预测指标——雷达图面积，轻量梯度提升模型可以确定一种数据增强技术对应于所选分类器在损伤特征检测和分类中的性能。该模型通过将5种不同的数据增强算法和5种不同的机器学习及深度学习技术应用于3种不同框架结构（经历各种结构损伤）进行了广泛验证。综合结果显示，在训练和测试子集均包含数据集信息的前提下，该模型在预测正确的雷达图面积值和数据增强技术排序方面具有较高准确性（MSE=0.002，MAE=0.024，RMSE=0.026，SMAPE=3.31%）。该模型流程及未来数据增强优化算法的开发，可通过自主扩展从结构中提取的有限、不平衡振动数据，进一步解决基于检测的结构健康监测应用中的局限性。
Keyword:
Light gradient boosting machine
Data augmentation
Model optimization
Time-series data
期刊
IF:
4.3
论文数:
912
被引数:
2.9K
机构
引用论文
分享收藏Classification and regression-based convolutional neural network and long short-term memory configuration for bridge damage identification using long-term monitoring vibration data基于分类和回归的卷积神经网络和长短期记忆配置用于桥梁损伤识别的长期监测振动数据
PREAI
分享收藏
Deep learning and data augmentation based data imputation for structural health monitoring system in multi-sensor damaged state基于深度学习和数据增强的多传感器损伤状态结构健康监测系统数据填充.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏
查看更多内容