文献类型：期刊文章

作　　者：李雪松[1] 马宏伟[1,2] 林逸洲[3]

LI Xuesong;MA Hongwei;LIN Yizhou(College of Civil Engineering,Qinghai University,Xining 810001,China;Dongguan Institute of Technology,Dongguan 523808,China;School of Mechanics and Construction Engineering,Jinan University,Guangzhou 510000,China)

机构地区：[1]青海大学土木工程学院,西宁810001 [2]东莞理工学院,东莞523808 [3]暨南大学力学与土木工程学院,广州510000

出　　处：《振动与冲击》

年　　份：2019

卷　　号：38

期　　号：1

起止页码：159-167

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决结构的健康监测问题,找到合适的结构损伤识别特征,使用卷积神经网络提取结构特征来识别损伤,并通过IASC-ASCE SHM Benchmark第一阶段模拟数据验证其有效性,同时与小波包频带能量特征、前五阶本征模态函数能量特征做同分类器准确率对比,证明了卷积神经网络在自动提取特征方面的优势。在分析卷积神经网络自动提取特征的鲁棒性时,发现单一噪声数据训练的特征抗噪能力有一定局限性,为了获得更好的特征抗噪能力,提出混合噪声训练模式,验证了含噪声0%～50%的样本数据,均取得良好识别结果。同时在进行卷积核特征可视化工作中发现,混噪模式训练的卷积核能够识别更多阶次的频率信息。

关 键 词：卷积神经网络 BENCHMARK 小波包频带能量  经验模式分解

分 类 号：TU312.3]