About: AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS     Goto   Sponge   NotDistinct   Permalink

An Entity of Type : http://linked.opendata.cz/ontology/domain/vavai/Vysledek, within Data Space : linked.opendata.cz associated with source document(s)

AttributesValues
rdf:type
Description
  • Procedury rozpoznávání zdrojů akustické emise (AE) využívající umělé neuronové sítě (ANN) byly s úspěchem aplikovány již v případech dat z numerických modelů a pocházejících z jednoduchých reálných konstrukcí. Jedním z největších problémů obecného rozpoznávání dat je vhodná volba extrahovaných parametrů. Standardní charakteristiky signálu AE jsou nezřídka redundantní a nebo málo významné. Za účelem redukce redundance dat jsou v příspěvku navrženy modifikace standardních emisních parametrů. Jejich výběr je dále optimalizován faktorovou analýzou a citlivostní analýzou identifikačních neuronových sítí. Tento optimalizační proces je ilustrován na rozpoznávání zdrojů AE vznikajících během únavových zkoušek prováděných na součástech letecké konstrukce. Optimalizované signálové charakteristiky zachovávají dostatečnou informaci při minimálním počtu extrahovaných parametrů. (cs)
  • AE source recognition procedures using artificial neural networks (ANN) were already applied successfully to AE data from numerical models and simple structures. One of the main problems in general data recognition is proper selection of extracted data features. Some of commonly used AE-signal parameters are redundant or lowly significant. Such parameters (data features) only complicate the recognition problem. Therefore, several modifications of the standard AE-signal parameterization are proposed in this paper to reduce data redundancy. The set of AE parameters is optimized by PCA (principle component analysis) and sensitivity analysis of trained neural networks used for pattern recognition. The optimization process is illustrated on recognition of various AE sources, detected during fatigue test of an aircraft structure part. Resulting optimized feature set of AE signals provides the maximal information with minimized number of selected parameters.
  • AE source recognition procedures using artificial neural networks (ANN) were already applied successfully to AE data from numerical models and simple structures. One of the main problems in general data recognition is proper selection of extracted data features. Some of commonly used AE-signal parameters are redundant or lowly significant. Such parameters (data features) only complicate the recognition problem. Therefore, several modifications of the standard AE-signal parameterization are proposed in this paper to reduce data redundancy. The set of AE parameters is optimized by PCA (principle component analysis) and sensitivity analysis of trained neural networks used for pattern recognition. The optimization process is illustrated on recognition of various AE sources, detected during fatigue test of an aircraft structure part. Resulting optimized feature set of AE signals provides the maximal information with minimized number of selected parameters. (en)
Title
  • AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS
  • AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS (en)
  • Rozpoznávání zdrojů AE pomocí neuronových sítí s optimalizovanými signálovými parametry (cs)
skos:prefLabel
  • AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS
  • AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS (en)
  • Rozpoznávání zdrojů AE pomocí neuronových sítí s optimalizovanými signálovými parametry (cs)
skos:notation
  • RIV/61388998:_____/08:00316857!RIV09-AV0-61388998
http://linked.open...avai/riv/aktivita
http://linked.open...avai/riv/aktivity
  • P(GA101/07/1518), P(GA106/07/1393), Z(AV0Z20760514)
http://linked.open...vai/riv/dodaniDat
http://linked.open...aciTvurceVysledku
http://linked.open.../riv/druhVysledku
http://linked.open...iv/duvernostUdaju
http://linked.open...titaPredkladatele
http://linked.open...dnocenehoVysledku
  • 355035
http://linked.open...ai/riv/idVysledku
  • RIV/61388998:_____/08:00316857
http://linked.open...riv/jazykVysledku
http://linked.open.../riv/klicovaSlova
  • AE source recognition; artificial neural network (en)
http://linked.open.../riv/klicoveSlovo
http://linked.open...ontrolniKodProRIV
  • [A6D6B710124F]
http://linked.open...v/mistoKonaniAkce
  • Krakow
http://linked.open...i/riv/mistoVydani
  • Krakow
http://linked.open...i/riv/nazevZdroje
  • European Conference on Acoustic Emission Testing
http://linked.open...in/vavai/riv/obor
http://linked.open...ichTvurcuVysledku
http://linked.open...cetTvurcuVysledku
http://linked.open...vavai/riv/projekt
http://linked.open...UplatneniVysledku
http://linked.open...iv/tvurceVysledku
  • Převorovský, Zdeněk
  • Chlada, Milan
http://linked.open...vavai/riv/typAkce
http://linked.open.../riv/zahajeniAkce
http://linked.open...n/vavai/riv/zamer
number of pages
http://purl.org/ne...btex#hasPublisher
  • University of Technology Krakov
https://schema.org/isbn
  • 978-83-7242-478-5
Faceted Search & Find service v1.16.118 as of Jun 21 2024


Alternative Linked Data Documents: ODE     Content Formats:   [cxml] [csv]     RDF   [text] [turtle] [ld+json] [rdf+json] [rdf+xml]     ODATA   [atom+xml] [odata+json]     Microdata   [microdata+json] [html]    About   
This material is Open Knowledge   W3C Semantic Web Technology [RDF Data] Valid XHTML + RDFa
OpenLink Virtuoso version 07.20.3240 as of Jun 21 2024, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (126 GB total memory, 48 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software