[논문 리뷰] Robust Bayesian compressive sensing with data loss recovery for structural health monitoring signals

Yong Huang, James L. Beck외 2명|arXiv (Cornell University)|2015. 03. 28.

Sparse and Compressive Sensing Techniques참고 문헌 7인용 수 3

한 줄 요약

이 논문은 약간 희박한 데이터와 전송 중 데이터 손실이 발생하는 구조물 건강 모니터링 신호를 위한 강건한 베이지안 압축 센싱 방법을 제안한다. 예측 오차 정밀도를 불필요한 매개변수로 통합함으로써, 특히 데이터 손실 조건에서 기존의 베이지안 및 비베이지안 CS 기법들보다 재구성 정확도와 불확실성 정량화를 향상시킨다.

ABSTRACT

The application of compressive sensing (CS) to structural health monitoring is an emerging research topic. The basic idea in CS is to use a specially-designed wireless sensor to sample signals that are sparse in some basis (e.g. wavelet basis) directly in a compressed form, and then to reconstruct (decompress) these signals accurately using some inversion algorithm after transmission to a central processing unit. However, most signals in structural health monitoring are only approximately sparse, i.e. only a relatively small number of the signal coefficients in some basis are significant, but the other coefficients are usually not exactly zero. In this case, perfect reconstruction from compressed measurements is not expected. A new Bayesian CS algorithm is proposed in which robust treatment of the uncertain parameters is explored, including integration over the prediction-error precision parameter to remove it as a "nuisance" parameter. The performance of the new CS algorithm is investigated using compressed data from accelerometers installed on a space-frame structure and on a cable-stayed bridge. Compared with other state-of-the-art CS methods including our previously-published Bayesian method which uses MAP (maximum a posteriori) estimation of the prediction-error precision parameter, the new algorithm shows superior performance in reconstruction robustness and posterior uncertainty quantification. Furthermore, our method can be utilized for recovery of lost data during wireless transmission, regardless of the level of sparseness in the signal.

연구 동기 및 목표

• 압축 측정치로부터 약간 희박한 구조물 건강 모니터링 신호를 재구성하는 데 도전하는 것.
• 예측 오차 정밀도가 불확실하거나 잘못 추정될 경우 신호 재구성의 강건성을 향상시키는 것.
• 구조물 모니터링 시스템에서 무선 전송 중에 발생하는 데이터 손실을 효과적으로 복구할 수 있도록 하는 것.
• 실제 응용 분야에서 압축 센싱의 사후 불확실성 정량화를 향상시키는 것.

제안 방법

• 예측 오차 정밀도를 적분을 통해 통합함으로써 이를 불필요한 매개변수로 제거하는 계층적 베이지안 모델을 사용한다.
• 신호 계수에 라플라스 사전분포를 적용하여 변환 기저(예: 웨이브릿 기저)에서의 희박성을 촉진한다.
• 사후 추론을 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용하여 신호를 추정하고 불확실성을 정량화한다.
• 결측 데이터를 잠재 변수로 간주함으로써, 완전하지 않은 또는 손실된 측정치로부터의 재구성을 지원한다.
• 공간 프레임 구조와 케이블 스타일 브리지에서 수집한 실제 가속도계 데이터를 사용하여 알고리즘을 검증한다.
• 이전의 MAP 기반 베이지안 방법들과 달리 정밀도 매개변수의 점추정에 의존하지 않음으로써 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 예측 오차 정밀도 매개변수의 불확실성에 대해 어떻게 베이지안 압축 센싱을 더 강건하게 만들 수 있는가?
• RQ2 제안된 방법이 약간 희박한 구조물 건강 모니터링 신호를 재구성하는 데 있어 기존 최첨단 CS 기법들을 능가할 수 있는가?
• RQ3 무선 전송 중에 발생하는 데이터 손실을 복구할 수 있는 정도는 어느 정도인가?
• RQ4 정밀도 매개변수에 대한 통합이 신호 재구성에서 사후 불확실성 정량화에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 표준 압축 센싱 및 정밀도 매개변수의 MAP 추정을 사용하는 이전의 베이지안 방법들보다 뛰어난 재구성 정확도를 달성한다.
• 신호가 정확히 희박하지 않은 경우에도 강건한 성능을 보여준다.
• 신호의 희박성 수준과 관계없이 전송 중 손실된 데이터를 효과적으로 복구한다.
• 정밀도 매개변수의 통합으로 인해 사후 불확실성 정량화가 크게 향상된다.
• 공간 프레임 구조와 케이블 스타일 브리지에서의 실제 데이터에서 높은 재구성 정밀도를 유지한다.