[發(fā)明專利]一種結構模型參數(shù)未知時動響應預測新方法

在審

• 申請?zhí)枺?/td>: 202110445877.1
• 申請日: 2021-04-25
• 公開（公告）號: CN113139343A
• 公開（公告）日: 2021-07-20
• 發(fā)明（設計）人: 李鴻秋
• 申請（專利權）人: 金陵科技學院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06F119/14
• 代理公司: 南京眾聯(lián)專利代理有限公司 32206
• 代理人: 蔣昱

1.一種結構模型參數(shù)未知時動響應預測新方法，具體步驟如下，其特征在于：

1)確定動響應預測的分析模型；

確定動響應預測的分析模型步驟，其中：

將結構的位移、速度和激勵作為輸入層的輸入信號；

確定該卷積神經(jīng)網(wǎng)絡需要幾個卷積層和池化層；

確定這些卷積層中的卷積核的大小和維數(shù)，以及池化層中的池化視野和步長；

2)建立基于一維卷積運算和二維卷積運算的多自由度系統(tǒng)系統(tǒng)的CNN模型，將輸入層的輸入信號，由卷積層進行卷積運算，再通過池化層，選擇再次通過卷積層和池化層，以達到最佳效果；

進行卷積與池化步驟，其中：

在卷積層中，用已經(jīng)確定過的卷積核矩陣在輸入矩陣上滑動并進行點積；

在池化層中，使用選定的池化視野和步長來降低數(shù)據(jù)體的空間尺寸；

根據(jù)選擇的卷積層和池化層個數(shù)，可依次代入到卷積層和池化層中進行運算；

3)將得到的數(shù)據(jù)放入全連接層，通過最小化模型的預測值與理想的目標值之間的差值，訓練得到較好的CNN模型；

4)利用訓練好的卷積神經(jīng)網(wǎng)絡，輸入結構的位移，速度和激勵，預測到結構此時的加速度；

預測到結構的動響應，其中：

使用不包含在訓練集中的驗證集數(shù)據(jù)校驗得到的模型；

使用不包含在訓練集、驗證集中的測試集數(shù)據(jù)評估CNN模型的有效性；

將評估有效的模型用于動響應預測，輸入結構的位移，速度和激勵，預測得到此時的加速度。

2.根據(jù)權利要求1所述的一種結構模型參數(shù)未知時動響應預測新方法，其特征在于：步驟3)進入全連接層，訓練得到較好的CNN模型，其中：

將運算得到的數(shù)據(jù)代入到全連接層，設輸入為x_i，權重為w_i，偏移為b，則輸出值可以寫為：

Z_j＝∑w_ijx_i+b

考慮的激活函數(shù)為帶泄露修正線性單元(Leaky-RELU)，

y_i＝f(Z_j)

在動力響應預測時，通過最小化模型的預測值與理想的目標值之間的差值進行訓練，利用均方誤差作為目標函數(shù)，通過反向傳播算法對權重進行優(yōu)化，并考查了不同a_i對預測效果的影響，得出了無噪聲干擾和有噪聲干擾時的合適的a_i取值。由此得到訓練好的卷積神經(jīng)網(wǎng)絡。