深度主成分分析：结构损伤识别的增强方法,Structural Health Monitoring
结构健康监测依赖于随着时间的推移对动态系统的持续观察，以识别其实际状况、检测异常行为并预测未来状态。据报道，环境因素的定期变化是结构健康监测系统应用的主要挑战之一。结构响应中的这些影响通常是非线性的，以最多样化的形式影响损坏敏感特征。删除这些正常更改的通常过程称为数据规范化。在这方面，主成分分析可能是结构健康监测中研究最多的算法，有许多版本可以学习强非线性正态变化。然而，在大多数情况下，通过现有的非线性主成分分析方法，并非所有可变性都能得到适当的考虑，从而导致损坏检测和量化性能不佳。在本文中，提出了一种基于深度主成分分析的新范式，植根于深度学习领域，以克服这些局限性。这种方法通过堆叠多个训练有素的前馈神经网络来提取最显着的潜在特征分布，以学习输入变量的身份映射，其中网络输入被复制到输出中。与传统的基于非线性主成分分析的方法类似，我们的方法通过将模态特征包含到内部瓶颈层中来识别未损坏结构的非线性仅输出模型，隐含地代表独立的环境因素。所提出的技术通过在逐渐损坏的预应力混凝土桥和三跨悬索桥上的应用得到验证。实验结果表明，捕获数据中最轻微的非线性变化可以改善数据归一化，从而提高损伤检测和量化性能。
"点击查看英文标题和摘要"
相关知识
Passive Wireless RFID Sensors and Their Applications in Structural Health Monitoring
结构健康监测的传感器优化布置研究进展与展望
轨道车辆结构振动损伤识别技术综述
张弦结构健康监测传感器布置优化方法
无线通信在结构健康监测系统的应用研究综述
Current Status and Prospects of Soil Ecological Environment Health Monitoring Technology
结构健康监测系统设计标准(征求意见稿)
结构健康监测中光纤光栅传感技术（一）光纤健康监测研究和应用现状
Soft electronics for advanced infant monitoring,Materials Today
科学网—移动健康（Mobile Health ）国际研究进展与文献分析报告
网址: 深度主成分分析：结构损伤识别的增强方法,Structural Health Monitoring https://m.trfsz.com/newsview582369.html
