[發(fā)明專利]一種基于多層神經(jīng)網(wǎng)絡(luò)和支持向量機的隨機信號識別方法

在審

• 申請?zhí)枺?/td>: 202110943578.0
• 申請日: 2021-08-17
• 公開（公告）號: CN113642216A
• 公開（公告）日: 2021-11-12
• 發(fā)明（設(shè)計）人: 郭彥峰;楊鑫亮;趙金偉
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06N3/04;G06N3/08;G06K9/62;G06F111/10
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 王奇

1.一種基于多層神經(jīng)網(wǎng)絡(luò)和支持向量機的隨機信號識別方法，其特征在于，按照以下步驟實施：

步驟1、根據(jù)目標結(jié)構(gòu)建立有限元模型；

步驟2、根據(jù)實際情況，確定目標結(jié)構(gòu)中響應(yīng)點位置、激勵輸入位置和加速度激勵功率譜的幅值；

步驟3、進行隨機響應(yīng)分析，將有限元模型的振動響應(yīng)結(jié)果與實驗進行比較，根據(jù)比較結(jié)果再對有限元模型進行修改，得到與實際情況最為接近的有限元模型；

步驟4、利用步驟3所得的有限元模型，設(shè)計不同的加速度激勵功率譜，生成多組數(shù)據(jù)集；

步驟5、利用編程軟件完成數(shù)據(jù)處理工作；

步驟6、將步驟5得到的數(shù)據(jù)集劃分為測試集和訓(xùn)練集，使用支持向量機和多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練隨機信號預(yù)測模型；

步驟7、基于多層神經(jīng)網(wǎng)絡(luò)和支持向量機的訓(xùn)練結(jié)果，修改參數(shù)尋找最優(yōu)的隨機信號預(yù)測模型；

步驟8、基于步驟7得到的最優(yōu)的隨機信號預(yù)測模型，加入噪聲，驗證該隨機信號預(yù)測模型的泛化性。

2.根據(jù)權(quán)利要求1所述的基于多層神經(jīng)網(wǎng)絡(luò)和支持向量機的隨機信號識別方法，其特征在于，所述的步驟1的具體過程是：

根據(jù)目標結(jié)構(gòu)的實際狀況選擇1D、2D或3D單元進行建模，殼體結(jié)構(gòu)選用2D單元，實體結(jié)構(gòu)選用3D單元，簡單的剛性連接選用1D單元，單元主要為四邊形單元和六面體單元；選用線性與非線性結(jié)構(gòu)有限元求解器，進行隨機響應(yīng)分析。

3.根據(jù)權(quán)利要求1所述的基于多層神經(jīng)網(wǎng)絡(luò)和支持向量機的隨機信號識別方法，其特征在于，所述的步驟的具體過程是：

2-1)基于步驟1建立的有限元模型，確定求解的頻率范圍；

2-2)基于步驟1建立的有限元模型，確定激勵輸入位置；

2-3)基于實際試驗情況，輸入加速度激勵功率譜；

2-4)確定響應(yīng)點的位置及數(shù)目；

2-5)設(shè)置整體材料阻尼。

4.根據(jù)權(quán)利要求1所述的基于多層神經(jīng)網(wǎng)絡(luò)和支持向量機的隨機信號識別方法，其特征在于，所述的步驟3的具體過程是：

3-1)根據(jù)步驟2-3)中的加速度激勵功率譜進行隨機響應(yīng)分析，得到實際加速度激勵功率譜條件下，步驟2-4)確定的響應(yīng)點的加速度響應(yīng)功率譜PSD以及加速度均方根值RMS值的仿真數(shù)據(jù)；

3-2)將步驟3-1)中得到的加速度均方根值RMS值的仿真數(shù)據(jù)與實際試驗數(shù)據(jù)進行對比，篩選其中誤差最小的響應(yīng)點結(jié)果作為機器學(xué)習(xí)的輸入；當對比結(jié)果不理想時，需修改有限元模型，直至仿真結(jié)果達到實際要求；

3-3)當步驟3-2)中效果不理想時，選擇增加減少部分接觸單元、修改接觸單元類型、簡化部分結(jié)構(gòu)、修改網(wǎng)格尺寸、更換求解器的算法或采用步驟3-4)給出的方法來修正解決；

3-4)對有限元模型進行仿真模態(tài)分析，采用錘擊-自由繩懸掛的單點激振頻響函數(shù)方法對結(jié)構(gòu)進行試驗；通過試驗前5階模態(tài)振型，與仿真振型進行對比，分析模態(tài)振型之間的差別；依據(jù)模態(tài)振型的差別修改接觸單元類型或接觸單元數(shù)量，即修改剛度矩陣，使仿真的前5階模態(tài)振型和固有頻率與試驗相似；模態(tài)振型能反應(yīng)結(jié)構(gòu)的剛度情況，如果設(shè)備件試驗?zāi)B(tài)振型相比仿真振型，某位置模態(tài)振型有更大的振動幅度，說明仿真模型局部接觸剛度大于真實結(jié)構(gòu)，需要減少局部接觸單元數(shù)量或使用剛度更小的接觸單元類型，反之亦然，得到與實際情況最為接近的有限元模型。

5.根據(jù)權(quán)利要求1所述的基于多層神經(jīng)網(wǎng)絡(luò)和支持向量機的隨機信號識別方法，其特征在于，所述的步驟4的具體過程是：

4-1)設(shè)計不同的加速度激勵功率譜；

4-2)利用步驟3-3)得到的與實際最為接近的有限元模型，以步驟3-2)中誤差最小的響應(yīng)點，作為輸出加速度響應(yīng)功率譜的點；

4-3)設(shè)置加速度激勵功率譜，

設(shè)計仿真加速度激勵功率譜的頻率范圍為20-2000Hz，加速度激勵功率譜的幅值在20-2000Hz取一恒定的值，如1g²/Hz、1.1g²/Hz、1.2g²/Hz依次直至取到3g²/Hz；

4-4)利用步驟4-1)和4-3)設(shè)計出的加速度激勵功率譜，通過步驟3-4)所得的有限元模型，進行隨機響應(yīng)分析，得到多層神經(jīng)網(wǎng)絡(luò)和支持向量機所需的多組數(shù)據(jù)集。