[论文解读] Principal Component Analysis and Automatic Relevance Determination in Damage Identification

Lungile Mdlazi, Tshilidzi Marwala+3 more|arXiv (Cornell University)|May 11, 2007

Fault Detection and Control Systems参考文献 8被引用 6

一句话总结

本文评估了主成分分析（PCA）和自动相关性确定（ARD）作为多层感知机（MLP）神经网络结构损伤识别的输入选择方法。PCA通过将数据投影到低维空间来降低输入维度，而ARD则识别并保留最相关的输入参数。研究发现，两种方法在故障检测中的准确率相当，表明选择方法应基于数据特征而非性能本身。

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.

研究动机与目标

• 评估并比较PCA和ARD作为结构损伤识别中输入选择技术的有效性。
• 评估PCA的降维与ARD的参数相关性选择对神经网络在故障检测中性能的影响。
• 确定在使用MLP网络识别结构损伤时，是否有一种方法始终优于另一种。
• 根据数据特定特征，为从业者提供选择合适输入选择方法的指导。

提出的方法

• 应用PCA将高维输入数据投影到低维子空间，以降低输入维度，同时保留主导的数据动态特征。
• 采用MacKay的证据框架实现ARD，以自动评估并分配输入参数的相关性权重。
• 使用经PCA或ARD筛选的输入训练多层感知机（MLP）神经网络，用于结构故障分类。
• 基于分类准确率评估两种输入选择方案在检测结构损伤方面的性能。
• 采用对比框架，使用相同的MLP架构，分别基于PCA和ARD筛选的输入进行训练。
• 定量评估输入相关性和降维程度，以理解其对模型泛化能力和噪声敏感性的影响。

实验结果

研究问题

• RQ1 在使用MLP网络进行结构损伤识别时，PCA与ARD在分类准确率方面如何比较？
• RQ2 PCA因降维而稀释关键输入参数影响的程度有多大？
• RQ3 ARD能否在不损害模型捕捉结构动态能力的前提下，有效剔除无关输入？
• RQ4 任一方法的性能是否依赖于输入数据的内在结构？
• RQ5 在损伤检测任务中，哪种输入选择方法具有更好的鲁棒性和可解释性？

主要发现

• 当用作MLP网络的输入选择方法时，PCA与ARD在识别结构损伤方面达到了相当的准确率。
• PCA通过将数据投影到低维空间来降低输入维度，但可能因正交变换而稀释关键参数的影响。
• ARD仅选择最相关的输入参数，但偶尔会剔除重要特征，可能扭曲数据动态。
• PCA与ARD的选择并非由性能优劣决定，而是取决于输入数据的特定特征。
• 研究结论认为，两种方法并无普遍优劣之分，最优选择取决于数据结构和噪声特征。