Pattern representations for classifying (non-)metric (non-)vectorial data with applications in Structural Health Monitoring and geotechnical/natural-hazard engineering

Abstract

Nowadays, data-driven modelling in structural and geo-engineering problems using Statistical Pattern Recognition and Machine Learning provides powerful and more versatile tools within a predictive framework. In contrast to the mainstream orientations of the state-of-art in data-driven structural and geo-engineering surrogates, which are based on advanced and (hyper-)parametrized classifiers, this thesis is focused on data representation issues. Firstly, for vectorial slope/landslide data, feature-based vector spaces are enriched and enhanced according to the Occam’s razor principle, which is achieved through three simple but powerful existing variants of a transparent classifier as the nearest neighbor rule. Secondly, for non-vectorial SHM data, powerful and highly discriminant dissimilarity-vector spaces are built-up using spectral/time-frequency information from structural states, adopting a proximity-based learning scheme. In both cases, the results show the importance of a proper data representation and its key role in a bottom-up design for surrogate modelling. (Texto tomado de la fuente)

Actualmente, el Reconocimiento de Patrones Estadístico y el Aprendizaje de Máquinas proveen herramientas poderosas y versátiles para el modelamiento predictivo de problemas de estructuras civiles, mecánicas y de la geo-ingeniería. A diferencia de las principales tendencias en el estado del arte en los sustitutos basados en datos en problemas de estructuras y de geo-ingeniería, esta tesis se enfoca en la representación de los datos. Primero, para datos vectoriales de taludes/deslizamientos, los espacios vectoriales basados en características son enriquecidos y mejorados de acuerdo al principio de la navaja de Occam o de parsimonia, el cual se logra mediante tres simples pero poderosos variantes ya existentes del clasificador de vecinos más cercanos. Segundo, para datos no-vectoriales pertenecientes al Monitoreo de Salud Estructural, son construidos, poderosos y altamente discriminantes, espacios de disimilitudes usando información espectral/tiempo-frecuencia, tomando un esquema de aprendizaje basado en proximidades. En ambos casos, los resultados demuestran la importancia de una apropiada representación de datos y su influencia en el diseño incremental de modelos sustitutos.