基于卷积神经网络的稳定图自动分析方法

摘要：

提出一种基于卷积神经网络(CNN)的稳定图自动分析方法.在获得不同结构的稳定图之后,按照各自的频率识别精度要求,将稳定图均分成若干个频带,得到单一模态稳定图作为CNN训练样本;通过平移、改变稳定点标记等技术手段对样本进行扩充,再将预处理好的训练样本代入CNN,通过跟踪损失函数在训练过程中变化规律,对如学习率等CNN参数进行调优,最终得到可自动判别稳定图中虚假模态的CNN;以3自由度弹簧质量数值模型、7自由度弹簧质量数值模型、以及一座钢筋混凝土框架结构大楼、瑞士Z24桥加速度实测数据验证了所搭建CNN模型的有效性.训练和预测结果表明,搭建的CNN亦可用于其他一般结构的稳定图自动分析,具有一定的通用性.在无需人为提取任何特征参数,也无需设定任何阈值的情况下,即可自动且准确、快速地剔除稳定图上的虚假模态.

关键词：自动识别、卷积神经网络(CNN)、稳定图、虚假模态、模态参数、深度学习

所属期刊栏目：37

分类号：TU311.3(建筑结构)

资助基金：国家“十二五”科技支撵计划资助项目2012BAJ07B03

在线出版日期：2018-12-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：59-66