大家好，欢迎来到IT知识分享网。
一个强大的方法，也是结构健康监测（SHM）中最常见的方法之一，是使用数据驱动的模型对结构及其状况进行预测和推断。这种方法几乎完全依赖于数据的质量。在SHM学科中，数据并不总是足以为给定的任务建立具有令人满意的精度的模型。更糟糕的是，关于结构在不同环境条件下的行为，数据可能从一个人的数据集中完全丢失。在目前的工作中，为了解决这些问题，我们使用了生成对抗网络（GAN）算法的一个变种来生成人工数据。前面提到的变体是条件性GAN或cGAN。该算法不仅用于生成人工数据，还用于根据一些已知的参数学习流形的变换。假设结构的响应由流形中的点表示，部分空间将由于影响结构的外部条件的变化而形成。这个想法在SHM中被证明是有效的，因为它被用来生成环境系数特定值的结构数据。这个方案在这里被应用于在不同温度和湿度条件下运行的模拟结构。与类似问题中的经典回归相比，cGAN的创新之处在于它允许未知环境参数影响结构，并能为已知参数的每个值生成整个数据流形，而未知参数则在生成的流形中变化。
《On generating parametrised structural data using conditional generative adversarial networks》
论文地址:http://arxiv.org/abs/2203.01641v1
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://yundeesoft.com/94491.html
