arXiv 机器学习· Alvaro Peiro, Marios Impraimakis·· 6 小时前AI 评分27
基于蒙特卡洛 Dropout 不确定性量化的生成对抗网络在结构健康监测中的应用：Hawk T1A 飞机光纤布拉格光栅数据增强对比
Generative adversarial networks with Monte Carlo dropout uncertainty quantification for structural health monitoring: Fibre Bragg grating data augmentation comparison in Hawk T1A aircraft
AI 导读
研究人员提出了一种结合条件生成对抗网络训练与蒙特卡洛 Dropout 不确定性量化的新型数据增强框架，用于航空航天结构的信号合成。该框架在英国谢菲尔德大学的 BAE Systems Hawk T1A 飞机全尺寸基准数据集上完成验证，涵盖加速度、光纤布拉格光栅应变与非线性动态响应测量。测试表明该模型能准确捕捉主要结构动态并提供不确定性估计，可作为数字孪生组件辅助监督损伤分类工作流。
来源：arXiv 机器学习 · arxiv.org