在结构健康监测的背景下,用于光学图案的特征提取的Shannon Entropy
Wendy Garcia-González1, Wendy Flores-Fuentes1, Oleg Sergiyenko2
1Engineering Faculty, Universidad Autónoma de Baja California, Mexicali 21280, BC, Mexico.
Entropy (Basel, Switzerland)
|August 26, 2023
概括
本研究介绍了一种使用Shannon Entropy用于技术视觉系统中特征提取的新型信号处理方法. 这种方法通过增强噪音环境中的光电子信号分类来显著提高结构健康监测的准确性.
科学领域:
- 信号处理 信号处理
- 信息理论 信息理论
- 机器学习 机器学习
背景情况:
- 技术视觉系统 (TVS) 在数据采集过程中面临光电信号噪声的挑战.
- 电气波动和光学噪声会影响计量学子系统的准确性.
研究的目的:
- 通过信息理论 (IT) 为TVS提出一种新的信号处理方法.
- 为了提高结构健康监测 (SHM) 的光电子信号分类器的准确性.
- 为了提高空间坐标测量性能在杂的环境中.
主要方法:
- 使用线性预测编码 (LPC) 和自相关函数 (ACC) 来提取光学模式的特征.
- 应用Shannon Entropy细分 (SH) 来提取相关的信息.
- 使用五种不同的机器学习 (ML) 技术对光学模式进行分类.
主要成果:
- 农热量细分实现了超过95.33%的分类准确度.
- 没有Shannon Entropy细分的性能导致最坏情况下的精度为33.33%.
结论:
- 香农热量细分显著提高了TVS中的光电子信号分类器的准确性.
- 拟议的方法可以在噪音条件下改善结构位移估计和健康评估.
更多相关视频
11:00Experimental Investigation of Secondary Flow Structures Downstream of a Model Type IV Stent Failure in a 180° Curved Artery Test Section
Published on: July 19, 2016
11.7K
07:47Design and Evaluation of Smart Glasses for Food Intake and Physical Activity Classification
Published on: February 14, 2018
11.3K
