一个多层次的功能融合人工神经网络,用于对声辐射信号进行分类
Jinliang Huang1,2, Zhaolin Zhu1, Zhihao Chen1,2
1Hainan Institute, Zhejiang University, Sanya, China.
Annals of the New York Academy of Sciences
|January 13, 2025
概括
新型人工神经网络 (ANN) FUSION-ANN在分类声辐射 (AE) 信号方面达到98%的准确性. 这种强大的方法使用多级特征融合来实现高效可靠的结构健康监测.
科学领域:
- 工程 工程师 工程师 工程师
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 声辐射 (AE) 信号的分类对于结构健康监测至关重要.
- 在复杂的场景中,现有的方法可能缺乏效率和稳定性.
- 对于精确的AE分析,先进的人工神经网络 (ANN) 的需求是显而易见的.
研究的目的:
- 介绍FUSION-ANN,一种用于AE信号分类的新ANN架构.
- 评估FUSION-ANN在各种基准数据集上的表现.
- 证明网络的效率,稳定性和准确性.
主要方法:
- 开发了具有四个独立多层感知子分支的FUSION-ANN.
- 提取了denoised语音识别特征 (线性预测编码,Mel频率 cepstral 系数,光子 cepstral 系数).
- 将特征连接到LMGC作为输入,使用多层特征融合.
主要成果:
- 在ORION-AE基准数据集上实现了98%的平均准确性.
- 证明了高的培训效率和稳定性.
- 成功分类来自各种负载条件的AE信号,模拟松动现象.
结论:
- FUSION-ANN是AE信号分类的高度准确和高效的工具.
- 该网络显示出在航空,汽车和土木工程领域可靠分析的前景.
- 未来的工作将涉及更广泛的测试和探索先进的功能集.
