[논문 리뷰] Principal Component Analysis and Automatic Relevance Determination in Damage Identification

Lungile Mdlazi, Tshilidzi Marwala외 3명|arXiv (Cornell University)|2007. 05. 11.

Fault Detection and Control Systems참고 문헌 8인용 수 6

한 줄 요약

이 논문은 다층 퍼셉트론(MLP)을 사용한 신경망 기반의 구조적 손상 진단을 위한 입력 선택 방법으로 주성분 분석(PCA)과 자동 관련성 결정(ARD)을 평가한다. PCA는 데이터를 낮은 차원의 공간으로 투영함으로써 입력 차원을 감소시키는 반면, ARD는 가장 관련성이 높은 입력 변수만을 식별하고 유지한다. 연구 결과, 두 방법 모두 고장 탐지에서 유사한 정확도를 달성함을 확인하였으며, 이는 성능 외에도 데이터 특성에 따라 선택이 결정된다는 것을 시사한다.

ABSTRACT

This paper compares two neural network input selection schemes, the Principal Component Analysis (PCA) and the Automatic Relevance Determination (ARD) based on Mac-Kay's evidence framework. The PCA takes all the input data and projects it onto a lower dimension space, thereby reduc-ing the dimension of the input space. This input reduction method often results with parameters that have significant influence on the dynamics of the data being diluted by those that do not influence the dynamics of the data. The ARD selects the most relevant input parameters and discards those that do not contribute significantly to the dynamics of the data being modelled. The ARD sometimes results with important input parameters being discarded thereby compromising the dynamics of the data. The PCA and ARD methods are implemented together with a Multi-Layer-Perceptron (MLP) network for fault identification in structures and the performance of the two methods is as-sessed. It is observed that ARD and PCA give similar accu-racy levels when used as input-selection schemes. There-fore, the choice of input-selection scheme is dependent on the nature of the data being processed.

연구 동기 및 목표

• PCA와 ARD가 구조적 손상 진단에서 입력 선택 기법으로서 효과적으로 작용하는지 평가하고 비교하는 것.
• PCA의 차원 감소와 ARD의 매개변수 관련성 선택이 고장 탐지에서 신경망 성능에 미치는 영향을 평가하는 것.
• MLP 네트워크를 사용한 구조적 손상 식별에서 한 방법이 다른 방법보다 일관되게 뛰어나게 작용하는지 여부를 규명하는 것.
• 데이터 특성에 기반하여 실무자들이 적절한 입력 선택 기법을 선택할 수 있도록 안내하는 것.

제안 방법

• PCA를 사용하여 고차원 입력 데이터를 낮은 차원의 부분공간으로 투영함으로써 입력 차원을 감소시키며, 주요 데이터 역학을 유지한다.
• ARD는 맥케이의 증거 프레임워크를 사용하여 입력 매개변수에 대한 관련성 가중치를 자동으로 평가하고 할당한다.
• PCA 또는 ARD에 의해 선택된 입력을 사용하여 다층 퍼셉트론(MLP) 신경망을 훈련시켜 구조적 고장 분류를 수행한다.
• 구조적 손상 탐지에서의 분류 정확도를 기준으로 두 입력 선택 기법의 성능을 평가한다.
• 동일한 MLP 아키텍처를 사용하여 PCA와 ARD에 의해 필터링된 입력을 각각 사용하는 비교 프레임워크를 구축한다.
• 입력의 관련성과 차원 감소를 정량적으로 평가하여 모델의 일반화 능력과 노이즈 민감도에 미치는 영향을 이해한다.

실험 결과

연구 질문

• RQ1 MLP 네트워크를 사용한 구조적 손상 진단에서 PCA와 ARD의 분류 정확도는 어떻게 비교되는가?
• RQ2 차원 감소로 인해 PCA가 핵심 입력 매개변수의 영향을 얼마나 약화시키는가?
• RQ3 ARD는 관련성이 없는 입력을 효과적으로 제거하면서도 모델이 구조적 역학을 포착하는 능력을 손상시키지 않는가?
• RQ4 각 방법의 성능가 입력 데이터의 기초 구조에 따라 달라지는가?
• RQ5 손상 진단 작업에서 어느 입력 선택 기법이 더 뛰어난 강건성과 해석 가능성(해석 가능성)을 제공하는가?

주요 결과

• PCA와 ARD는 MLP 네트워크를 위한 입력 선택 기법으로 사용될 때, 구조적 손상 식별에서 유사한 정확도를 달성한다.
• PCA는 데이터를 낮은 차원 공간으로 투영함으로써 입력 차원을 감소시키지만, 수직 변환로 인해 중요한 매개변수의 영향이 약화될 수 있다.
• ARD는 관련성이 높은 입력 매개변수만을 선택적으로 유지하지만, 가끔 중요한 특징까지 제거하여 데이터 역학을 왜곡할 수 있다.
• PCA와 ARD 사이의 선택은 성능 우월성에 기반하는 것이 아니라, 입력 데이터의 특정 특성에 따라 결정된다.
• 본 연구는 어느 방법도 항상 다른 방법보다 뛰어나지 않으며, 최적의 선택은 데이터 구조와 노이즈 프로파일에 따라 달라진다는 결론을 내린다.