典型文献
基于多尺度卷积神经网络的结构损伤识别研究
文献摘要：
为了利用结构振动响应的时间多尺度特征来提升卷积神经网络识别结构损伤的能力,给出了两种用于结构损伤识别的多尺度卷积神经网络,即多尺度输入和多尺度卷积核卷积神经网络.对于多尺度输入卷积神经网络,将通过下采样和滑动平均获取的具有不同时间尺度特征的振动信号输入固定尺寸卷积核的分支卷积神经网络;对于多尺度卷积核卷积神经网络,则将相同的振动信号输入具有不同尺寸卷积核的分支卷积神经网络.然后将各个分支卷积神经网络的输出组合成多尺度特征输入全连接层进行损伤模式的识别.数值试验和振动台试验的结果表明:相比于单一尺度卷积神经网络,多尺度卷积神经网络具有更高的损伤识别精度和抗噪性;对于损伤特征相近的损伤模式具有更好的辨别能力.
文献关键词：
深度学习;卷积神经网络;多尺度;结构损伤识别
中图分类号：
作者姓名：
张健飞;蔡东成
作者机构：
河海大学力学与材料学院,江苏南京210098
文献出处：
引用格式：
[1]张健飞;蔡东成-.基于多尺度卷积神经网络的结构损伤识别研究)[J].地震工程与工程振动,2022(01):132-142
A类：
B类：
多尺度卷积神经网络,结构损伤识别,结构振动,振动响应,多尺度特征,提升卷积神经网络,多尺度输入,多尺度卷积核,下采样,滑动平均,不同时间尺度,振动信号,定尺,分支卷积神经网络,将相,不同尺寸,组合成,全连接层,层进,损伤模式,数值试验,振动台试验,一尺,识别精度,抗噪性,损伤特征,辨别
AB值：
0.236657
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
