基于模态振型的结构损伤识别

本文对基于模态振型的结构损伤识别方法进行了研究，提出一个新的模态参数——振型差值曲率，阐述了用它作为参数进行结构损伤识别的思想与方法，然后建立了一个悬臂梁的数值模型，用有限元分析计算结果作为损伤诊断的依据，对不同的模拟损伤用本丈所研究的方法进行了识别，结果表明采用振型差值曲率法可找到结构损伤的位置并确定结构损伤的程度，分析判断简便有效。     

基于旋转子空间算法的桥梁损伤识别

本文把基于旋转子空间算法的模态参数识别引入到梁桥结构损伤识别中。主要介绍了旋转子空间算法用于桥梁损伤识别的基本理论。旋转子空间算法是基于结构的有限元模型,利用矩阵变换的方法,将损伤位置和损伤程度问题区分开来,实际应用表明,只需利用一阶频率和振型,就可以识别桥的主要损伤位置和损伤程度。     

基于信息融合技术的结构损伤诊断方法

为提高结构损伤识别的准确率,将多源信息融合技术引入到结构损伤诊断中．在介绍多源信息融合技术的基本理论、功能模型、级别分类和数学方法的基础上,将2种或多种结构损伤识别方法提取的损伤特征向量进行特征级融合,建立了基于信息融合的结构损伤诊断方法．在钢筋混凝土板损伤试验中测试其模态信息,利用基于信息融合的结构损伤诊断方法进行裂缝位置识别,并与单独使用模态应变能法和柔度法进行损伤识别的结果进行对比．结果显示基于特征级信息融合的结构损伤诊断方法能够准确识别单一损伤识别方法无法识别的结构损伤,对于多位置损伤识别亦有效果．基于信息融合的结构损伤诊断方法具有良好的损伤敏感性．不同的信息融合算法有不同的适用范围,在实际结构健康监测中,要通过详细分析选择合适的多源信息融合算法．     

基于卷积神经网络的海洋平台损伤识别实验系统开发

将卷积神经网络(CNN)引入到海洋平台损伤识别应用中,开发了基于一维CNN的导管架式海洋平台损伤识别实验系统。构建一维CNN结构损伤识别模型,基于振动台规则波激励获取导管架式海洋平台模型的应变响应实测数据,将实测数据分为训练集和测试集,进行CNN网络的训练和测试。在此过程中,考虑了完好工况、单损伤、多损伤等不同损伤位置共7个模拟工况。实验结果表明,一维CNN可以有效地识别海洋平台结构损伤位置,开发的实验系统可进一步扩展其功能。     

基于深度信念网络的个人健康评估模型

随着大众对健康认知的提升,体质检测所采集的基本健康信息以及生理参数指标数据呈指数级增长。基于医疗大数据技术,提出对收集的生理健康数据进行前期预处理和特征提取,通过运用反向传播网络和受限玻尔兹曼机,提出一种基于深度信念网络的个人健康评估模型。该模型能通过训练大量人体健康参数信息,将个人健康评估结果分为3类9级：Healthy（A、B、C）,Sub-Healthy（D+、D、D-）,Unhealthy（F+、F、F-）,评估出个人健康危险因素与健康状态之间的量化关系。     

基于特征曲率的模型桥结构损伤识别试验

为探索桥梁结构损伤与桥面形态的关系,在实验室内利用提取模型桥桥面特征曲率的方法,开展了判定桥梁结构出现损伤位置及程度的试验。首先,采用徕卡Nova Ms50三维激光扫描系统对有机玻璃模型桥面扫描。在多级损伤工况下,将传统位移计测量数据与扫描获取得到桥面几何形态点云数据进行了对比。从理论层面上对基于特征曲率的桥梁结构损伤识别进行了分析,并提取了实测桥面特征截面的挠度曲线。结果可直观看出:曲率曲线在结构损伤处出现突变,且随损伤程度的增加,挠度曲率曲线突变峰值也发生了相应的增大。     

基于改进 AdaIN 的图像风格迁移

图像风格迁移技术是指给定内容图和风格图,利用机器学习算法将内容图渲染成具有艺术风格的画作。针对传统图像风格迁移算法无法兼顾速度与生成图像质量等问题,基于 AdaIN 算法,提出 AdaIN 改进算法。在原始 AdaIN 网络中加入内容图像的深度信息计算模块,提取内容图像的深度图,通过将迁移图像数据与深度图归一化处理后的数据按元素相乘的方法,突出内容图的深度信息,使得输出的风格迁移图像各深度下具有不同的风格化程度。实验表明,相较于 Gatys 等种传统风格迁移算法,AdaIN 改进算法在运行时间上可降低约 11%;不需要针对每种风格单独训练网络,避免了模型重复训练;内容图像深度信息得以保存,提高了图像渲染质量。     

基于转移学习的小样本数据深度学习研究

卷积神经网络的深度学习在图像识别领域取得了巨大的成功,但是训练一个深度学习网络需要大量的数据样本。在实际工作中,很难得到大量的训练样本,在数据集有限的情况下,容易过度拟合。针对这一问题,设计了一种基于转移学习的深度卷积神经网络来解决小样本数据集的问题。采用数据扩充的方法来扩大样本数据集的数量,利用转移学习将训练好的网络(CNN)从大样本数据集中转移到的小样本数据集中进行二次训练,使用全局平均池而不是全连接层来训练网络,并利用Soft max进行分类。该方法解决了深度学习中样本数据集小的问题,提高了操作效率。实验结果表明,该方法对小样本数据集的分类具有较高的识别率。     

基于模态振型和L1正则化的结构损伤识别

考虑到基于2范数的正则化算法存在对结构识别结果过度光滑的效果,提出了基于模态振与L1正则化的损伤识别方法。以—2D简支梁有限元模型为数值算例,比较了使用不同振型数不同损伤程度对损伤识别效果的影响。数值模拟结果表明,对于多损伤工况,当损伤结构的振型数和无损结构的振型数乘积数大于6时,能较好地进行损伤定位,并能对损伤程度给出定性的描述。     

基于改进深度信念网络的电力变压器故障诊断研究

针对传统算法在变压器故障诊断领域存在参数难以选取、准确率低、易误判等缺点,提出一种基于改进深度信念网络（IDBN）的电力变压器故障诊断方法。在油中溶解气体分析(DGA)基础上,首先以IDBN无监督训练方式重构原始数据特征,然后以有监督方式学习特征与故障类型之间的映射关系,最后将测试数据应用于模型并进行实验。实验结果表明,该方法不仅具有较高精度,而且在准确率方面优于传统的人工神经网络和支持向量机方法。因此,将改进深度信念网络用于变压器故障诊断具有较高的应用价值。     

基于深度学习的无人机目标识别算法研究

目前无人机已经广泛应用于各行各业,但传统无人机识别方法存在成本高、识别率低、适应性差等问题导致无人机进入禁飞区域的事件时有发生,严重影响我国空域安全。针对无人机识别过程中存在的不足,提出基于深度学习的无人机识别算法,通过对LeNet-5模型进行改进,以无人机图像样本集作为网络模型训练和测试对象,构建无人机特征识别模型。模拟实验中,当网络模型学习率为0.1时,在经过150次迭代后,深度学习模型目标识别率为96.95%,经典LeNet-5模型识别率为91.18%。实验结果表明,基于深度学习的识别算法能够有效提高对无人机的目标识别率。     

双流融合的动作识别方法研究

为了有效改善传统动作识别方法中输入数据信息单一导致的识别率偏低等问题,提出一种结合视频数据和骨骼数据的双流融合方法.基于两种不同的深度学习网络,分别对视频数据与骨骼数据进行识别并将两者输出的概率加以融合,实现信息融合效果.在公开数据集NTU RGB+D上进行测试,达到83.76％的识别精度.该方法在一定程度上实现了不同...     

基于广义柔度曲率熵的斜拉桥损伤识别方法研究

为了进一步验证广义柔度曲率信息熵损伤指标在斜拉桥上的可行性,针对某工程实例的独塔斜拉桥进行有限元模拟分析。通过有限元对桥梁两跨跨中和3/4跨模拟不同的损伤程度工况,并引入5%、10%、12%噪声对基于广义柔度曲率信息熵方法进行抗噪性验证。结果表明：广义柔度曲率矩阵信息熵损伤识别方法可准确有效地识别出斜拉桥两边跨不同损伤程度的单点和多点损伤,并可根据损伤位置峰值的大小预测桥梁结构的损伤程度,同时该方法在10%噪声环境下仍然具有良好的损伤识别效果,从而验证了该损伤指标在斜拉桥损伤识别运用中具有良好的效果。     

基于深度信念网络的入侵检测模型（英文）

研究了入侵检测系统中海量数据分类的问题.讨论了深度信念网络(DBN)的原理,提出了基于DBN的入侵检测模型.DBN由多层无监督的限制玻尔兹曼机(RBM)网络和一层有监督的反向传播(BP)网络构成.该入侵检测模型采用一种快速、贪婪的方法对DBN网络进行预训练,利用对比分歧算法逐层训练每一个RBM网络;然后,利用有监督的BP算法对整个DBN网络进行微调,并同时对RBM网络输出的低维特征进行入侵数据分类.基于KDD CUP 1999数据集的实验结果表明,使用3层以上的DBN模型分类效果优于自组织映射和神经网络方法.因此,DBN是一种有效且适用于高维特征空间的入侵检测方法.     

基于有限元模型的梁结构损伤识别技术研究

研究基于有限元模型的梁结构损伤识别的正反问题,即正问题采用有限元模型求解包含损伤位置和程度参数的结构前三阶固有频率,经曲面拟合技术拟合得到解曲面;反问题将实际损伤结构前三阶固有频率作为输入,绘制损伤梁结构位置和程度的等高线,根据曲线的交点识别出损伤梁结构损伤位置和程度。数值仿真算例表明:该方法具有足够的辨识精度,为梁类结构损伤识别提供了新方法。     

基于深度神经网络在线密码攻击模型的研究

密码创建规则中包含多种多样的个人身份信息组合方式,不仅文法结构规范特殊,而且语义内容丰富.对于文本处理方法,传统的基于概率上下无关文法模型会导致文本特征表示稀疏、语义信息或丢失的问题,因此提出利用深度学习DNN算法.通过对个人身份信息数据进行特征提取,构建语义分类表示的深度神经网络,并为该模型设计训练方法来进行广泛的训练.最后通过实验表明深度学习DNN算法能够提高个人身份信息语义识别的性能,在一定程度上优于已有的一些密码攻击方法.     

基于自调节深度信念网络的入侵检测算法

针对网络攻击类型多,高维网络数据提取困难及入侵检测算法需具备较高自调节能力的问题,从能量变换寻优与集成算法的角度,提出了一种基于自调节深度信念网络的入侵检测算法,并采用国际通用入侵检测数据集进行检测效果验证.结果表明,与当前主流的入侵检测算法相比,该算法能够提高入侵检测的准确率,具有全局性与稳定性.     

基于多模态深度学习的脑肿瘤分割实验研究

针对现有3D U-Net网络在脑肿瘤分割中存在的训练过程中损失函数值难以降低,对增强瘤、肿瘤核分割精度较差等问题,该文提出了某模型网络的优化方案.首先使用残差网络结构降低训练难度;进一步引入注意力机制对多模态MRI的融合权值进行自适应学习,充分利用不同模态特征信息;最后在网络解码器部分采用双路卷积结构,提高了网络的特征...     

一种深度模型行人检测方法

提出一种新的深度模型,通过多个阶段的后向传播来联合训练多阶段分类器实现行人检测。该模型可将分类器的得分图输出存储在局部区域中,并将其作为上下文信息来支持下一阶段的决策。通过设计具体的训练策略,深度模型可对硬性样本进行挖掘来分阶段训练网络,进而模拟串联分类器。此外,每个分类器可在不同的难度水平上处理样本,并通过无监督预训练和专门安排的各阶段有监督训练来对优化问题正规化,提高了行人检测的可靠性。理论分析表明该训练策略有助于避免过拟合。基于3个数据集(Caltech,ETH和TUD-Brussels)的实验结果也验证了该方法优于当前其他最新算法。     

一种基于SAE和BP网络相结合的人脸识别模型

基于浅层BP网络的模式识别在诸多领域有着广泛的应用,但对于稀疏高维度的数据,在网络模型训练时计算量大、参数繁多、训练慢、准确率低.提出了一种基于稀疏自动编码器(Sparse auto-Encoder,SAE)和浅层BP网络相结合的人脸识别模型.在深度SAE模型中,通过设置隐藏节点数少于输入输出节点数方法,自动学习样本的多种特征表示,来实现数据的降维和去稀疏性,将该方法产生的特征表示作为输入新样本数据,用于BP网络模型进行图像识别.通过人脸识别实验表明,第一通过SAE模型得到的特征表示进行人脸识别是可行的;第二SAE模型获得的多种表示分别进行人脸识别,并非第j层表示比第i层表示(j>i)效果一定好;第三该方法比单纯浅层BP网络进行人脸识别在效果上有一定程度的改善和提高.