典型文献
基于多头自注意力机制和卷积神经网络的结构损伤识别研究
文献摘要：
为了提高卷积神经网络(convolutional neural networks,CNN)的结构损伤识别性能,提出了一种以结构振动加速度信号为输入的基于多头自注意力的CNN模型.模型首先利用一维CNN学习加速度信号中的局部特征,然后利用多头自注意力机制关注输入数据中不同位置和不同表征子空间中的重要信息、学习信号中的全局特征,最后利用学习到的特征进行结构损伤模式识别.悬臂梁数值试验和振动台试验的结果显示出:相比于CNN模型、CNN-长短期记忆网络(long short-term memory,LSTM)联合模型和 CNN-双向 LSTM(bidirectional LSTM,BiLSTM)联合模型,基于多头自注意力的CNN模型复杂度低、易于训练,且具有更高的损伤识别精度和更强的抗噪性以及对于损伤特征相近的损伤模式具有更好的辨识能力.
文献关键词：
深度学习;多头自注意力;卷积神经网络(CNN);结构损伤识别
中图分类号：
作者姓名：
张健飞;黄朝东;王子凡
作者机构：
河海大学 力学与材料学院,南京 210098
文献出处：
引用格式：
[1]张健飞;黄朝东;王子凡-.基于多头自注意力机制和卷积神经网络的结构损伤识别研究)[J].振动与冲击,2022(24):60-71
A类：
B类：
多头自注意力机制,结构损伤识别,convolutional,neural,networks,识别性,结构振动,振动加速度,加速度信号,局部特征,输入数据,不同位置,子空间,重要信息,全局特征,用学,损伤模式识别,悬臂梁,数值试验,振动台试验,长短期记忆网络,long,short,term,memory,联合模型,bidirectional,BiLSTM,模型复杂度,识别精度,抗噪性,损伤特征
AB值：
0.289249
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。
