基于小波神经网络的框架结构损伤识别

以含损伤的框架结构为研究对象,对损伤位置和损伤程度进行识别。运用有限元分析原理,采用Lanczos法得到框架结构的转角模态,对其转角模态进行连续小波变换可以得到结构的小波系数,再由小波系数模极大值确定损伤的位置。以损伤后结构的固有频率作为神经网络输入参数构造神经网络,从而实现对框架结构损伤程度的识别。通过对一平面框架结构的损伤识别计算分析,验证了方法的有效性。     

基于区间分析的框架结构不确定性损伤识别方法

考虑实际结构易受荷载、环境温度和测试噪声等不确定性因素的影响,笔者基于区间分析原理提出框架结构不确定性损伤识别方法。利用测试的结构加速度响应数据,建立向量自回归模型,并采用其系数矩阵主对角线的马氏距离作为损伤特征指标。基于粒子群算法建立区间优化求解方法,并与传统的区间组合法和区间叠加法对比。通过提出的区间重叠率指标和区间名义值分别实现损伤定位和损伤程度的识别。数值模拟和实验室框架结构试验结果表明,区间分析能在测试数据较少时实现损伤识别,为损伤识别在实际结构中的应用提供了理论基础和技术手段。     

基于支持向量机的大型输电铁塔损伤识别方法研究

输电铁塔在电力的传输上占有重要地位,一旦发生损伤破坏将造成严重的经济损失.模态曲率改变率这一参数具有良好的损伤定位能力,通过对某500kV输电铁塔的损伤位置识别,即使是在诸如1%等微小损伤条件下,仍能取得良好的效果.作为一种新兴的机器学习算法,支持向量机在损伤识别中已显示出其回归能力的优越性.本文提出了利用最小二乘支持向量机进行大型输电铁塔的损伤程度识别方法,通过对某500kV输电铁塔的损伤程度进行识别,发现该方法在较少的样本条件下,亦能非常逼近目标值,具有精确的损伤程度识别能力.     

基于能量特征的小波概率神经网络损伤识别方法

以小波能量特征向量作为概率神经网络(PNN)的输入向量集,提出了小波概率神经网络(WPNN)的损伤识别方法．为了验证该方法的有效性,对钢框架进行了损伤识别研究,并考虑了随机噪声的影响．识别结果表明：WPNN抗噪声能力强,识别精度高,在结构损伤识别与在线检测方面具有潜力。     

基于改进解析冗余度的损伤识别方法

提出一种采用无损指标和损伤指标相结合进行损伤识别的改进解析冗余度方法。该方法通过剔除求解方程组中与损伤单元相关的方程,补充与损伤单元无关的方程,构造出新的求解方程组进行求解。在新模型中,与损伤单元无关的约束条件构成无损指标,相关的约束条件则构成损伤指标。同时,采用结构无阻尼振动方程建立约束满足问题模型,提出了改进解析冗余度方法在结构动力测试方面的理论。通过数值算例验证所提出方法在结构静动力方面单、多损伤识别的有效性,也证明了该方法在一定数据误差及模型误差下的适用性。最后,设计了钢梁静、动力试验。试验结果显示,所提出的方法能够定位结构较小的损伤,并且损伤指标较为明显。该方法在梁式结构的损伤识别和安全评估中具有一定的工程实用性。     

基于神经网络法的多层空间框架结构损伤检测

通过有限元模态分析,获取结构在完好和不同损伤程度下的各阶固有频率与节点振型位移,利用二者的差值作为损伤标识量,灵活的利用BP神经网络进行分步训练,得到框架结构损伤检测的神经网络系统,可以对多层空间框架结构的损伤位置和程度做出成功检测。     

基于同余拉丁表的均匀试验设计

本文从数论中的同余理论出发构造同余拉丁表,运用此表给出了均匀试验设计的详细方法和步骤,并详细给出了运用过程。     

基于模型嵌入循环神经网络的损伤识别方法

目前,绝大多数基于深度学习的结构损伤识别方法依靠深度神经网络自动提取结构的损伤敏感特征,并通过损伤状态之间特征的差异实现模式分类识别.然而,这些方法面临着损伤量化难度大的挑战,并且需要大量的模型训练数据.本文提出基于模型嵌入循环神经网络（Model-Embedding Recurrent Neural Network,MERNN）的损伤识别方法.首先,通过数据驱动的卷积神经网络（Convolutional Neural Network,CNN）建立荷载-响应之间的映射关系,然后,利用龙格库塔法改进传统的循环神经网络,建立基于循环神经网络架构的数值计算单元.最后,基于结构响应计算值与实测响应残差构成的损失函数与神经网络的自动微分机制来实现结构刚度参数的更新,进而实现结构损伤识别.数值模拟框架与实验室的3层剪切型框架的损伤识别结果表明,本文提出的方法能基于少量响应数据准确量化结构损伤.     

基于环境振动信号的框架结构震后损伤识别

提出了一种新的损伤指标用于框架结构的震后损伤识别.以环境振动作为激励信号,采用小波包分解理论,利用框架结构损伤后振动信号的能量在频域内的变化,构建损伤指标DI,并给出了损伤识别流程图.在此基础上,以某钢筋混凝土框架结构为例,设定4种震后损伤工况,对框架结构进行了震后损伤识别分析,探讨了不同楼层、不同类型振动信号对损伤识别效果的影响.结果表明:本文构建的损伤指标DI可以有效识别框架结构的震后损伤,损伤指标DI与损伤程度之间有近似线性的关系;基于较高楼层振动信号的损伤指标值对结构的损伤识别效果较佳;利用速度信号可获得比加速度信号更好的识别效果.     

基于广义柔度矩阵的结构损伤识别方法

提出一种基于广义柔度矩阵的结构损伤识别方法. 以悬臂梁结构为例, 比较了柔度灵敏度方法和广义柔度灵敏度方法的损伤识别效果. 结果表明, 广义柔度灵敏度方法能更准确地识别损伤位置和程度.     

基于改进的BP神经网络的钢桁梁桥损伤识别

文章对某钢桁梁黄河大桥进行了损伤数值模拟,提取其固有频率作为BP神经网络的输入参数来训练网络,对桥梁整体的损伤进行诊断,并根据实桥损伤诊断的结果提出了一种改进的BP神经网络方法,它能够解决传统BP算法的梯度下降速度,从而提高运算速度,通过自调节保证学习过程中每一时刻具有较大的Sigmoid函数值,避免了局部极小。     

基于曲率模态和神经网络的分步损伤识别法及其在桥梁结构中的应用

神经网络用于损伤识别遇到的最大问题就是训练样本数量的组合爆炸问题,单纯用神经网络进行损伤诊断有很大困难．提出了一种两步识别法来进行损伤诊断,即先采用结构的曲率模态,定义一个新的损伤指标,判断损伤位置,再利用BP神经网络精确识别损伤程度;运用两步识别法对一座混凝土连续刚构桥进行了损伤位置与损伤程度的识别．识别结果表明,对于2个单元和3个单元损伤的情况,分别只需16个和64个损伤样本就能取得满意的识别结果,大大减少了单纯利用神经网络进行损伤识别所需的损伤样本．     

基于模态分析的发动机风扇叶片损伤诊断方法

结构故障诊断主要包括结构损伤识别、结构损伤定位、结构损伤程度的标定和评价三个方面内容。而频率、振型、频率和振型相结合的指标在结构故障诊断的三个方面各有优缺点。通过航空涡轮发动机风扇叶片建模,并在其上模拟出健康和损伤状态,选取频率、振型、频率和振型相结合的三类指标,借助ANSYS仿真与BP神经网络,验证了基于模态分析的发动机风扇叶片损伤诊断方法的可行性,并从数值上指出兼顾振型和频率的指标预测效果最优,也具有一定的工程实际意义。     

基于改进差分进化算法的RBF神经网络在股指预测中的应用

为了提高径向基函数(RBF)神经网络的预测性能,文章提出改进的差分进化算法(IDE),通过引入混合变异策略和局部算子来增强算法的收敛速率和局部搜索能力,用改进的差分进化算法对径向基函数神经网络的网络结构参数进行优化,建立了IDE-RBF神经网络股指预测模型,并以上证综指为例进行了实证分析。实证结果表明,IDE-RBF神经网络的预测效果明显优于其他预测模型。     

基于最佳一致逼近的高阶矩量法及其应用

文章应用最佳一致逼近理论构建了一种高阶基函数方法,并将其应用于二维电磁散射问题的求解。将计算结果与传统矩量法及解析解比较可知,该高阶矩量法在较低的剖分情况下,具有很高的计算精度。将此新型的高阶基函数方法用于电大导体和其它形状散射问题中,计算结果依然有较高的计算精度,从而有效降低了计算复杂度。     

一种基于AC-RBF神经网络的网络安全态势预测方法

为了准确地把握网络安全发展态势,提出了一种基于自适应聚类径向基函数(adaptive clustering radical basis function,AC-RBF)神经网络的网络安全态势预测(network security situation prediction, NSSP)方法?该方法对网络安全态势样本自适应聚类,获得了神经网络隐层节点数,采用梯度下降法训练神经网络,寻找网络安全态势样本之间的非线性映射关系,利用该关系对未来时刻网络安全态势进行了预测? 仿真实验表明,相对于 K-均值 RBF 神经网络及支持向量机(support vector machine,SVM)预测模型,该方法在神经网络规模较小的情况下,不仅能够反映网络安全态势的总体趋势,而且还提高了预测精度,能够提供给网络安全管理员一个直观的网络安全态势图 ?     

基于深度CNN的改进弱监督学习方法设计与验证

针对包含目标、尺度和平移变化较强的空间信息难以获取大量训练样本的问题,提出一种基于深度卷积神经网络(deep convolutional neural network,DCCN)的弱监督学习方法,从3个层面对当前卷积神经网络进行扩展。为了提取分辨率更高的局部特征,同时考虑到全卷积网络(full convolution network,FCN)在全监督式学习下的高效性能,使用FCN作为后端模块;为了获取更多的通用特征,增加一个多映射弱监督学习的传输层,对与补充性类模态相关的多个局部特征进行显式学习;为了优化训练过程,改进了池化层,使用全局图像标签进行训练,将空间得分聚合为全局预测。使用图像分类、弱监督逐点目标定位和图像分割3种常用的机器视觉任务进行评估。多个公开数据库的实验结果表明,所提方法能够有效地学习强局部特征,具有良好的分类和定位效果。