首頁(yè) 資訊基于多模型集成的結(jié)構(gòu)健康狀態(tài)趨勢(shì)預(yù)測(cè)

基于多模型集成的結(jié)構(gòu)健康狀態(tài)趨勢(shì)預(yù)測(cè)

來(lái)源：泰然健康網(wǎng) 時(shí)間：2024年12月17日 06:25

基于多模型集成的結(jié)構(gòu)健康狀態(tài)趨勢(shì)預(yù)測(cè)

本站小編 Free考研考試/2023-12-02

由于單一的預(yù)測(cè)模型不能充分地反映出結(jié)構(gòu)振動(dòng)數(shù)據(jù)的復(fù)雜規(guī)律和信息，為了提高結(jié)構(gòu)健康狀態(tài)趨勢(shì)預(yù)測(cè)的精度，充分利用每個(gè)模型的優(yōu)點(diǎn)，提出了基于深度置信網(wǎng)絡(luò)（depth-confidence network，DBN）、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（long-short-term memory neural network，LSTM）、小波神經(jīng)網(wǎng)絡(luò)（wavelet neural network，WNN）的多模型集成預(yù)測(cè)方法. 首先，將工程結(jié)構(gòu)振動(dòng)信號(hào)經(jīng)變分模態(tài)分解（variation mode decomposition，VMD）分和Hilbert變換得到瞬時(shí)頻率；然后，將瞬時(shí)頻率作為多模型集成的輸入，通過(guò)加權(quán)平均法和投票法融合的方式對(duì)權(quán)值系數(shù)進(jìn)行分配，分析不同的權(quán)值對(duì)預(yù)測(cè)精度的影響. 實(shí)驗(yàn)結(jié)果表明，當(dāng)權(quán)值<inline-formula><tex-math id="M1">begin{document}$ omega $end{document}</tex-math><alternatives><graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="C220119_M1.jpg"/><graphic xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="C220119_M1.png"/></alternatives></inline-formula>=0.8時(shí)多模型集成方法的預(yù)測(cè)結(jié)果更接近實(shí)際值，相比于傳統(tǒng)的算術(shù)平均模型和其他三種單一的預(yù)測(cè)模型，多模型集成方法結(jié)合了所有的預(yù)測(cè)模型所具有的全部?jī)?yōu)點(diǎn)，預(yù)測(cè)性能最優(yōu)，預(yù)測(cè)精度最高.
PDF全文下載地址：http://journal.bit.edu.cn/zr/article/exportPdf?id=c8122bdb-c9ca-4aee-b8d4-cb2865d92b57