[發明專利]一種基于深度學習理論的不確定性結構頻響動力學模型修正方法

有效

• 申請號: 202010593300.0
• 申請日: 2020-06-26
• 公開（公告）號: CN111783336B
• 公開（公告）日: 2022-06-14
• 發明（設計）人: 鄧忠民;張鑫杰
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的不確定性結構頻響動力學模型修正方法，其特征包括以下步驟：

1)將不確定性頻響數據轉化為多通道圖像作為深度卷積神經網絡的輸入：在不確定性參數影響下，結構的動力學輸出頻率響應也呈現出不確定性分布，將不確定的頻響數據轉化為多通道的頻響圖像，作為深度卷積神經網絡的輸入，利用深度卷積神經網絡進行不確定性分析和特征提取；

2)待修正參數的不確定性分析：統計待修正參數的概率分布特點，將其作為訓練樣本的標簽值即網絡輸出結果， 訓練過程中，為了求解待修正參數的條件分布特征，利用不確定性頻響數據和待修正參數的先驗分布求解待修正參數的后驗概率；

3)深度學習網絡的搭建： 網絡分為不確定性分析特征提取模塊和頻響特征提取模塊，分別從不確定性樣本分布維度和頻響數據振動特征維度對輸入數據進行特征提取；最后，將提取到的特征通過輸出層映射到樣本標簽值空間；

4)不確定性逆向傳遞關系的構建： 利用深度卷積神經網絡構建頻響數據到待修正參數的逆向映射關系，由實驗測量不確定性的頻響數據輸入訓練好的網絡，則可以直接求解出待修正參數的分布情況，避免了對頻響數據的人工特征提取和不確定性量化帶來的精度損失。

2.根據權利要求1所述一種基于深度學習的不確定性結構頻響動力學模型修正方法，其特征在于：在結構頻響模型修正問題中，考慮在實際工程中結構參數不確定性影響下頻響模型修正問題，利用深度學習原理，求解復雜的不確定性逆向傳遞關系，減少人工特征提取和不確定性量化帶來的誤差。

3.根據權利要求1所述一種基于深度學習的不確定性結構頻響動力學模型修正方法，其特征在于：對頻響數據進行不確定性分析時，不采用人工制定量化準則的方法，而直接以圖像通道的形式存儲頻響數據樣本的不確定的信息，并將該多通道圖像作為深度學習網絡的輸入，對不確定性特征進行提取。

4.根據權利要求1所述一種基于深度學習的不確定性結構頻響動力學模型修正方法，其特征在于：在待修正參數的不確定性分析過程中，并沒有直接利用其明顯統計特征的均值與方差，而是對其條件概率分布進行求解，并將待修正參數的概率分布作為訓練樣本的標簽值；

A.所述2)中將待修正參數樣本的概率分布作為標簽值對網絡進行訓練，網絡輸出結果即為參數的不確定性分布估計；

B.所述2)中根據貝葉斯假設，利用頻響數據的條件分布和待修正參數的先驗分布求解參數的不確定性條件分布。

5.根據權利要求1所述一種基于深度學習的不確定性結構頻響動力學模型修正方法，其特征在于：網絡結構包括不確定性特征提取模塊和頻響特征提取模塊，通過這兩個模塊可以得到網絡提取的深層特征，并最終通過全連接層將特征映射到樣本標簽值的分布空間，得到待修正參數的分布估計結果。