结合深度信念及长短期记忆网络的长跨结构损伤识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905942A(43)申请公布日2023.04.04(21)申请号202211420362.7G06N3/088(2023.01)(22)申请日2022.11.13(71)申请人福州大学地址350108福建省福州市闽侯县福州大学城乌龙江北大道2号福州大学(72)发明人方圣恩刘洋(74)专利代理机构福州元创专利商标代理有限公司35100专利代理师蔡学俊薛金才(51)Int.Cl.G06F18/241(2023.01)G06F18/213(2023.01)G06N3/0442(2023.01)G06N3/047(2023.01)G06N3/045(2023.01)权利要求书1页说明书4页附图2页(54)发明名称结合深度信念及长短期记忆网络的长跨结构损伤识别方法(57)摘要本发明提供了一种结合深度信念及长短期记忆网络的长跨结构损伤识别方法，包括以下步骤：步骤1:利用有限元分析获取样本集，包含训练网络参数的训练集，训练超参数和检验模型性能的验证集，检验最终模型泛化能力的测试集；步骤2:搭建DBN‑LSTM网络的拓扑；步骤3:利用训练集和验证集对网络进行训练，判断训练结果，保存训练参数，并利用测试集检验最终模型的泛化能力；步骤4:将实测的长跨结构响应输入训练好的网络中，识别结构的损伤。本技术方案充分考虑不同响应之间的相关性，形成新的敏感损伤特征，再结合Softmax多模式分类器进行特征分类，以提高长跨结构的损伤识别准确率。CN115905942ACN115905942A权利要求书1/1页1.结合深度信念及长短期记忆网络的长跨结构损伤识别方法，其特征在于，包括以下步骤：步骤1：利用有限元分析获取样本集，包含训练网络参数的训练集，训练超参数和检验模型性能的验证集，检验最终模型泛化能力的测试集；步骤2：搭建DBN‑LSTM网络的拓扑；步骤3：利用训练集和验证集对网络进行训练，判断训练结果，保存训练参数，并利用测试集检验最终模型的泛化能力；步骤4：将实测的长跨结构响应输入训练好的网络中，识别结构的损伤。2.根据权利要求1所述的结合深度信念及长短期记忆网络的长跨结构损伤识别方法，其特征在于，样本集包含三种：训练网络参数即权重和偏置的训练集，训练网络超参数和检验网络性能的验证集，检验最终模型泛化能力的测试集。三者常用的占比为3∶1∶1，且通过有限元分析获取上述样本。3.根据权利要求1所述的结合深度信念及长短期记忆网络的长跨结构损伤识别方法，其特征在于，测试集样本由结构实测值组成，完成试验数据验证，进一步检验网络的泛化能力。4.根据权利要求1所述的结合深度信念及长短期记忆网络的长跨结构损伤识别方法，其特征在于，DBN‑LSTM网络拓扑由输入层、特征提取层、分类层、输出层组成；输入层是网络的入口，响应数据由此进入；特征提取层由DBN和LSTM组成，是整个网络的核心，其中DBN对输入的响应数据进行逐层提取，得到与输入相关的高阶抽象特征，再将其依次输入LSTM，将前述特征进行充分融合，形成新的敏感特征；分类层以进行多类别分类的Softmax函数作为激活函数，映射损伤特征与结构状态之间的非线性关系，分类结果由输出层输出。5.根据权利要求1所述的结合深度信念及长短期记忆网络的长跨结构损伤识别方法，其特征在于，网络训练过程分为DBN隐藏层预训练和DBN‑LSTM网络整体微调两个步骤；DBN隐藏层预训练是对RBM进行逐层训练，属于无监督学习过程；DBN‑LSTM网络整体微调是将所有的隐藏层、LSTM和Softmax分类层同时训练，进一步调整预训练后的网络参数初值，使整个网络对已有样本有更好的拟合效果；其中，RBM有观察层V和隐藏层H两个层，以RBM1、RBM2、RBM3的逐层训练为例：首先，对RBM1进行单独无监督训练，将输入V1的向量映射至H1，再由H1映射至V1，计算损失后进入下一轮训练，直至RBM1训练完成；然后，以H1作为RBM2的观察层V2，与隐藏层H2进行无监督训练；最后，以H2作为RBM3的观察层V3，完成RBM3的无监督训练。6.根据权利要求1所述的结合深度信念及长短期记忆网络的长跨结构损伤识别方法，其特征在于，首先，将实测响应数据带入训练好的DBN‑LSTM网络，DBN将高维响应数据进行压缩，得到低维度空间表述的特征；其次，将低维度空间特征依次输入LSTM，输出包含响应相关性的敏感损伤特征；最后，通过Softmax分类层映射出与损伤特征相关的损伤模式，根据输出的损伤模式判断结构的损伤位置和程度。2CN115905942A说明书1/4页结合深度信念及长短期记忆网络的长跨结构损伤识别方法技术领域[0001]本发明涉及桥梁建筑技术领域，特别是一种结合深度信念及长短期记忆网络的长跨结构