Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Sep 11, 2025

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

5.7K

使用时间变化的基于过的经验模式分解和预训练的卷积神经网络来识别桥梁损伤.

Shenghuan Zeng1, Jian Cui2, Ding Luo1

  • 1Shenzhen Expressway Engineering Testing Co., Ltd., Shenzhen 518000, China.

Sensors (Basel, Switzerland)
|August 14, 2025
PubMed
概括

本研究引入了一种用于识别桥梁损伤的新框架,使用时间变化的过实证模式分解 (TVFEMD) 和卷积神经网络 (CNN). 该方法提高了信号质量,提高了损坏分类的准确性,以便更好地监测桥梁的健康状况.

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Improved catalytic efficiency of P450 OleP for converting lithocholic acid into murideoxycholic and ursodeoxycholic acids through semi-rational and rational design.

Synthetic and systems biotechnology·2026
Same author

A bibliometric analysis of research trends and future directions in early detection of pancreatic cancer.

Discover oncology·2026
Same author

Discovery of selective CDK9 degraders with anti-AML activity using PROTAC technology.

Bioorganic chemistry·2026
Same author

An unexpected NH<sub>4</sub>HSO<sub>4</sub>-catalyzed C3-H alkenylation of quinoxalin-2(1<i>H</i>)-ones with allenes.

Chemical communications (Cambridge, England)·2026
Same author

Weakly-supervised deep learning on pathological whole-slide images for cutaneous vasculitis and its mimickers: a high-performance diagnostic support tool.

Scientific reports·2026
Same author

Antibiotic-Loaded Polymethyl Methacrylate Cement Drives Fibroblast-Mediated Angiogenesis via LOXL2 to Accelerate Diabetic Foot Ulcer Healing.

FASEB journal : official publication of the Federation of American Societies for Experimental Biology·2026

科学领域:

  • 结构工程 结构工程
  • 信号处理 信号处理
  • 人工智能的人工智能

背景情况:

  • 桥梁健康监测对于运行安全和维护至关重要.
  • 目前的方法面临的挑战是信号质量差,特征提取和分类准确性.

研究的目的:

  • 开发一个先进的框架,准确识别桥梁损坏.
  • 克服信号处理和分类在桥梁健康监测的局限性.

主要方法:

  • 基于时间变化的过的实证模式分解 (TVFEMD) 与预训练的卷积神经网络 (CNN) 的集成.
  • 适应性消噪和时间频率重建以增强信号特征和抑制噪声.
  • 对不同CNN模型 (ResNet-50) 的损害分类进行比较分析.

主要成果:

  • 与传统的EMD相比,TVFEMD显示出更好的频率分离和模式纯度.
  • 通过使用TVFEMD处理的信号,ResNet-50在损坏分类中实现了最佳性能.
  • 主要组件分析 (PCA) 可视化证实了功能集群和可分离性的改进.

结论:

  • 拟议的TVFEMD-CNN框架显著提高了桥梁损坏识别的准确性.
关键词:
卷积神经网络是一种卷积神经网络.信号处理 信号处理 信号处理结构损坏的识别和识别结构健康监测 结构健康监测时间频率分析

更多相关视频

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology
09:44

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology

Published on: March 8, 2024

5.1K

相关实验视频

Last Updated: Sep 11, 2025

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
08:51

Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms

Published on: November 1, 2019

5.7K
Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology
09:44

Author Spotlight: Advancing Large-Scale Neural Dynamics Through HD-MEA Technology

Published on: March 8, 2024

5.1K
  • 电视FEMD有效预处理信号,提高了CNN模型的适应性和识别能力.
  • 这种方法为实际的桥梁健康监测挑战提供了强大的解决方案.