CN111812215B - 一种飞行器结构损伤的监测方法 - Google Patents
一种飞行器结构损伤的监测方法 Download PDFInfo
- Publication number
- CN111812215B CN111812215B CN202010711521.3A CN202010711521A CN111812215B CN 111812215 B CN111812215 B CN 111812215B CN 202010711521 A CN202010711521 A CN 202010711521A CN 111812215 B CN111812215 B CN 111812215B
- Authority
- CN
- China
- Prior art keywords
- gaussian mixture
- mixture model
- guided wave
- sample set
- hierarchical segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000006378 damage Effects 0.000 title claims abstract description 44
- 239000000203 mixture Substances 0.000 claims abstract description 181
- 230000003044 adaptive effect Effects 0.000 claims abstract description 97
- 230000011218 segmentation Effects 0.000 claims abstract description 91
- 230000005012 migration Effects 0.000 claims abstract description 25
- 238000013508 migration Methods 0.000 claims abstract description 25
- 238000011002 quantification Methods 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013139 quantization Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 description 24
- 239000002131 composite material Substances 0.000 description 13
- 230000036541 health Effects 0.000 description 12
- 230000004927 fusion Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000006735 deficit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108091027981 Response element Proteins 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radar Systems Or Details Thereof (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开一种飞行器结构损伤的监测方法。所述飞行器结构损伤的监测方法包括:采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,建立导波样本集,以建立基准导波自适应层次分割高斯混合模型,采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,更新导波样本集,以建立动态导波自适应层次分割高斯混合模型,量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度,最终根据量化曲线,以对所述飞行器结构状态进行评估。本发明提高了飞行器结构损伤监测的可靠性与实时性。
Description
技术领域
本发明涉及飞行器结构健康监测技术领域,特别是涉及一种飞行器结构损伤的监测方法。
背景技术
飞行器结构健康监测技术能够在线监测飞行器结构的健康状态,进而对结构损伤及剩余寿命进行预测和估计,从而达到保障飞行器结构安全和降低结构维护成本等目的。近年来,飞行器结构健康监测技术已由早期的理论研究逐渐转向工程应用研究。但在实际的工程应用中,结构健康监测技术往往要面临相比实验室条件下更为复杂的时变服役环境,例如变化的温湿度、边界条件、随机振动、疲劳载荷等。这些时变环境因素会直接影响结构健康监测传感器的输出信号及其特征,这些影响往往比结构损伤自身对信号的影响还要剧烈,从而使得损伤诊断无法可靠进行。
飞行器所处的时变环境包括载荷、温度、湿度等。在各种环境因素耦合下的导波监测信号携带了大量与结构健康状态无关的信息导致其特征分布也非常复杂。目前的高斯混合模型(Gaussian Mixture Model,GMM)的建立算法中,期望最大化算法相对狄利克雷过程推理具有更高的精度,但需要给定高斯分量的数目,通常采用建立多个GMM通过信息准则来选择最佳分量数。但信息准则会倾向于较少分量数的模型,在分布复杂的样本拟合程度较低,无法满足飞行器结构健康监测技术领域的要求。另外期望最大化算法和狄利克雷过程推理的每次迭代都需要计算所有的样本,在样本集较大的情况下其运算效率较低且速度较慢,不满足在机载设备上实时监测的需求。因此,在实际工程应用中需要更为精准且高效的GMM损伤监测方法。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种飞行器结构损伤的监测方法,用于解决现有技术中的在分布复杂的样本拟合程度较低,无法满足飞行器结构健康监测技术领域的要求,以及在样本集较大的情况下其运算效率较低且速度较慢,不满足在机载设备上实时监测的需求的问题。
为实现上述目的及其他相关目的,本发明提供一种飞行器结构损伤的监测方法,所述飞行器结构损伤的监测方法包括:
通过第一采集器在所述飞行器结构处于时变服役条件以及无损伤状态下,采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,建立导波样本集,根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立基准导波自适应层次分割高斯混合模型;
通过第二采集器在所述飞行器结构处于时变服役条件以及监测状态下,采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,更新导波样本集,根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立动态导波自适应层次分割高斯混合模型;
量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度;
重复在所述飞行器结构处于时变服役条件以及监测状态下的操作,以得到一导波自适应层次分割高斯混合模型的迁移量化曲线;
根据所述量化曲线,以对所述飞行器结构状态进行评估。
在本发明的一实施例中,所述根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立动态导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括:
通过自适应聚类方法将所述导波样本集分割为多个子样本集;
对所有所述子样本集中每个子样本集分别建立高斯混合模型,以得到多个子样本集高斯混合模型;
对多个所述子样本集高斯混合模型进行合并和优化,以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。
在本发明的一实施例中,所述通过自适应聚类方法将所述导波样本集分割为多个子样本集的步骤包括:
在本发明的一实施例中,所述对多个所述子样本集高斯混合模型进行合并和优化,以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括:
将合并后的高斯混合模型作为初始化的参数,对合并后的高斯混合模型进行优化,以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。
在本发明的一实施例中,所述量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度的步骤包括:
计算动态导波自适应层次分割高斯混合模型和基准导波自适应层次分割高斯混合模型之间的JS散度;公式为:其中,DJS表示JS散度,DKL表示KL散度,P1、P2分别表示基准导波自适应层次分割高斯混合模型、动态导波自适应层次分割高斯混合模型,任意两个分布p和q的KL散度的计算公式为:
在本发明的一实施例中,所述对所有所述子样本集中每个子样本集分别建立高斯混合模型,以得到多个子样本集高斯混合模型的步骤包括:
步骤a、设置高斯混合模型的初始分量数K为1;
步骤b、建立分量数为K的高斯混合模型,并计算基于贝叶斯信息值:BIC=κln(ni)-2ln(L),其中,κ为参数模型个数,ni表示子样本集的样本个数,L表示似然函数;参数模型个数κ的计算公式为其中,D为数据的维度;高斯混合模型对数似然函数L的计算公式为:其中,Φ(xn|μk,∑k)表示第k个高斯分布在第n个样本xn处的值,ωk、μk、∑k分别表示第k个高斯分布的权值、期望、协方差矩阵,k表示第k个高斯分布,k的取值范围为1至K;计算γnk:其中,wj、μj、∑j分别表示第j个高斯分布的权值、期望、协方差矩阵,第k个高斯分布在任意点x处的值为:其中,D为数据的维度;
步骤c、判断是否满足K>3,若是,则执行判断是否满足BICK>BICK-1>BICK-2的操作,即为执行步骤d操作,若否,则设置分量数K为K+1,执行建立分量数为K的高斯混合模型的操作,即为执行步骤b操作;
步骤d、判断是否满足BICK>BICK-1>BICK-2,其中BICK,BICK-1,BICK-2分别为分量数为K,K-1,K-2的高斯混合模型的贝叶斯信息值,若是,则执行在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型的操作,即为执行步骤e操作,若否,则设置分量数K为K+1,执行建立分量数为K的高斯混合模型的操作,即为执行步骤b操作;
步骤e、在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型,第i个所述子样本集的高斯混合模型为:其中,Φij表示第i个子样本集中第j个高斯分布,mi表示第i个子样本集高斯混合模型的分量数,mi的取值为大于等于1的自然数,wij表示第i个子样本集的高斯混合模型中第j个分量的权重,wij的取值范围为0至1,且满足
在本发明的一实施例中,所述建立分量数为K的高斯混合模型的步骤包括:
使用K均值聚类算法进行K个类的初始化聚类;
初始化的高斯混合模型的参数,初始化高斯混合模型的分量数为K,第k个分量的权值、均值、协方差矩阵的初始化公式为:μk=ck、∑k=cov(Xk),其中,wk、μk、∑k分别为第k个高斯分量的权值、均值、协方差矩阵,Nk和N分别为第k个类的样本数目和总样本数目,ck为第k个类中心,Xk为第k个类中样本的集合,cov为计算协方差;
使用期望最大化算法优化高斯混合模型的参数。
如上所述,本发明的一种飞行器结构损伤的监测方法,具有以下有益效果:
本发明的飞行器结构损伤的监测方法解决了在分布复杂的样本拟合程度较低,无法满足飞行器结构健康监测技术领域的要求的问题,以及解决了在样本集较大的情况下其运算效率较低且速度较慢,不满足在机载设备上实时监测的需求的问题,本发明可以有效提高时变环境损伤监测下,导波概率模型的准确性和建立速度,从而提高基于导波的飞行器结构损伤监测的可靠性及实时性。
本发明的飞行器结构损伤的监测方法可以有效提高对复杂环境下导波结构健康建模的准确性和建模效率,大大提高了飞行器结构损伤监测的可靠性与实时性。
附图说明
图1为本申请实施例提供的被监测结构及压电传感器的布置示意图。
图2为本申请一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。
图3为本申请实施例提供的一种飞行器结构损伤的监测系统的结构原理框图。
图4为本申请实施例提供的一种电子设备的结构原理框图。
图5为本申请又一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。
图6为本申请实施例提供的一种飞行器结构损伤的监测方法的自适应层次分割高斯混合模型的工作流程图。
图7为本申请实施例提供的基于密度峰值-核心融合的自适应聚类算法对导波样本集分割示意图。
图8(a)、(b)为本申请实施例提供的对导波样本集的子样本集分别建立高斯混合模型示意图。
图9为本申请实施例提供的导波基准层次分割高斯混合模型示意图。
图10为本申请实施例提供的5mm裂纹下动态导波自适应层次分割高斯混合模型示意图。
图11为本申请实施例提供的10mm裂纹下动态导波自适应层次分割高斯混合模型示意图。
图12为本申请实施例提供的15mm裂纹下动态导波自适应层次分割高斯混合模型示意图。
图13为本申请实施例提供的20mm裂纹下动态导波自适应层次分割高斯混合模型示意图。
图14为本申请实施例提供的25mm裂纹下动态导波自适应层次分割高斯混合模型示意图。
图15为本申请实施例提供的导波特征动态层次分割高斯混合模型迁移量化曲线示意图。
元件标号说明
1 第一加载方向
2 第一压电片
3 裂纹位置
4 第二压电片
5 第二加载方向
10 第一采集器
20 第二采集器
30 量化单元
40 迁移量化曲线获取单元
50 结构状态进行评估单元
70 处理器
80 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
请参阅图2、图5、图6,图2为本申请一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。图5为本申请又一个实施例提供的一种飞行器结构损伤的监测方法的工作流程图。图6为本申请实施例提供的一种飞行器结构损伤的监测方法的自适应层次分割高斯混合模型的工作流程图。本发明提供一种飞行器结构损伤的监测方法,所述飞行器结构损伤的监测方法包括:S1、通过第一采集器在所述飞行器结构处于时变服役条件以及无损伤状态下,采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,建立导波样本集,根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立基准导波自适应层次分割高斯混合模型。具体的,所述无损伤状态为所述飞行器结构处于健康状态下,即被监测、无损伤状态。所述导波监测信号可以连续长时间进行采集,所述导波监测信号的采集可以但不限于通过导波信号采集装置和系统进行采集。S2、通过第二采集器在所述飞行器结构处于时变服役条件以及监测状态下,采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,更新导波样本集,根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立动态导波自适应层次分割高斯混合模型。具体的,所述监测状态表示飞行器结构处于未知损伤状态,所述飞行器结构的导波监测信号的数量可以根据监测精度和系统计算能力选择一个或多个。S3、量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度。S4、重复在所述飞行器结构处于时变服役条件以及监测状态下的操作,以得到一导波自适应层次分割高斯混合模型的迁移量化曲线。具体的,步骤S3可以但不限于采用JS散度(Jensen-Shannon)进行量化。S5、根据所述量化曲线,以对所述飞行器结构状态进行评估。具体的,可以根据所述导波自适应层次分割高斯混合模型的迁移量化曲线所显示的迁移程度及趋势实现对飞行器结构健康状态的准确评估。所述迁移量化曲线为导波自适应层次分割高斯混合模型的迁移量化曲线。具体的,所述根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立动态导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括:通过自适应聚类方法将所述导波样本集分割为多个子样本集;对所有所述子样本集中每个子样本集分别建立高斯混合模型,以得到多个子样本集高斯混合模型;对多个所述子样本集高斯混合模型进行合并和优化,以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。
请参阅图2、图5、图6,所述通过自适应聚类方法将所述导波样本集分割为多个子样本集的步骤包括:所述导波样本集为X={x1,x2,…,xN},将所述导波样本集分割为M子样本集其中,N表示样本个数,ni表示第i个子样本集的样本数,表示样本。所述自适应聚类方法可以为基于密度峰值-核心融合的自适应聚类方法。所述对所有所述子样本集中每个子样本集分别建立高斯混合模型,以得到多个子样本集高斯混合模型的步骤包括:步骤a、设置高斯混合模型的初始分量数K为1。具体的,对子样本集分别建立高斯混合模型,对于每个分割后的子样本集,可以通过对分量数进行枚举的方法建立多个高斯混合模型,并基于BIC(贝叶斯信息准则)选择出该子样本集的高斯混合模型。步骤b、建立分量数为K的高斯混合模型,并计算基于贝叶斯信息值:BIC=κln(ni)-2ln(L),其中,κ为参数模型个数,ni表示子样本集的样本个数,L表示似然函数;参数模型个数κ的计算公式为其中,D为数据的维度;高斯混合模型对数似然函数L的计算公式为:其中,Φ(xn|μk,∑k)表示第k个高斯分布在第n个样本xn处的值,wk、μk、∑k分别表示第k个高斯分布的权值、期望、协方差矩阵,k表示第k个高斯分布,k的取值范围为1至K;计算γnk:其中,wj、μj、∑j分别表示第j个高斯分布的权值、期望、协方差矩阵,第k个高斯分布在任意点x处的值为:其中,D为数据的维度。步骤c、判断是否满足K>3,若是,则执行判断是否满足BICK>BICK-1>BICK-2的操作,即为执行步骤d操作,若否,则设置分量数K为K+1,执行建立分量数为K的高斯混合模型的操作,即为执行步骤b操作。步骤d、判断是否满足BICK>BICK-1>BICK-2,其中BICK,BICK-1,BICK-2分别为分量数为K,K-1,K-2的高斯混合模型的贝叶斯信息值,若是,则执行在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型的操作,即为执行步骤e操作,若否,则设置分量数K为K+1,执行建立分量数为K的高斯混合模型的操作,即为执行步骤b操作。步骤e、在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型,第i个所述子样本集的高斯混合模型为:其中,Φij表示第i个子样本集中第j个高斯分布,mi表示第i个子样本集高斯混合模型的分量数,mi的取值为大于等于1的自然数,wij表示第i个子样本集的高斯混合模型中第j个分量的权重,wij的取值范围为0至1,且满足所述对多个所述子样本集高斯混合模型进行合并和优化,以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括:a1、合并所述子样本集建立的高斯混合模型为:其中,M表示子样本集的数目,ni表示第i个子样本集的样本个数,N表示样本个数,Φi表示第i个子样本集建立的高斯混合模型。b1、将合并后的高斯混合模型作为初始化的参数,对合并后的高斯混合模型进行优化,以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。所述量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度的步骤包括:计算动态导波自适应层次分割高斯混合模型和基准导波自适应层次分割高斯混合模型之间的JS散度;公式为:其中,DJS表示JS散度,DKL表示KL散度,P1、P2分别表示基准导波自适应层次分割高斯混合模型、动态导波自适应层次分割高斯混合模型,任意两个分布p和q的KL散度的计算公式为:所述建立分量数为K的高斯混合模型的步骤包括:(1)使用K均值聚类算法进行K个类的初始化聚类。所述K均值聚类算法包括k-means++算法,所述k-means++算法的步骤如下:a2、从数据集中随机选取一个样本作为初始聚类中心c1。b2、首先计算每个样本与当前已有聚类中心之间的最短距离(即与最近一个聚类中心的距离),用D(x)表示,接着计算每个样本被选为下一个聚类中心的概率最后用轮盘法选择下一个聚类中心。c2、重复b步骤直到选择出所有的聚类中心。d2、针对数据集中的每个样本xi,计算出它到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中。e2、针对每个类别ci,重新计算它的聚类中心(即属于该类的所有样本的质心);重复d2-e2步,直到聚类中心的位置不再变化。(2)、初始化的高斯混合模型的参数,初始化高斯混合模型的分量数为K,第k个分量的权值、均值、协方差矩阵的初始化公式为:μk=ck、∑k=cov(Xk),其中,wk、μk、∑k分别为第k个高斯分量的权值、均值、协方差矩阵,Nk和N分别为第k个类的样本数目和总样本数目,ck为第k个类中心,Xk为第k个类中样本的集合,cov为计算协方差。(3)、使用期望最大化算法优化高斯混合模型的参数。期望最大化算法的步骤为重复交替进行步骤E和步骤M,直到算法收敛。步骤E、步骤M、 其中,wk、μk、∑k分别为第k个高斯分量的权值、均值和协方差矩阵,Nk和N分别为第k个分量的样本数目和总样本数目, 分别为第k个分量更新后的高斯分量的权值、均值和协方差矩阵,Φ(x|μk,∑k)为第k个高斯分量的分布,为高斯分布。所述密度峰值-核心融合的自适应聚类方法包括:(1)密度峰值的密度近邻聚类,具体步骤包括:a3设待聚类的数据集为X,X={x1,x2,…,xn};通过高斯核密度估计数据点xi的密度,记作ρi,具体表达式如下:其中,dij为数据点xi与xj之间的距离,dc为截断距离,dij的具体计算为:dij=||xi-xj||2,其中,||·||2为向量的2范数,基于k近邻的截断距离dc估计表达式为:其中,dk(xi)为数据点xi与距离xi最近的第k个数据点之间的距离,表示不超过x的最大整数。b3、计算最小距离δi,最小距离δi的计算公式如下:c3、计算每个数据点xi的密度ρi与最小距离δi的乘积,记作γi,计算公式如下:γi=ρi×δi。d3、计算乘积γ的阈值γmin,计算公式如下:γmin=EX(ρ)×dc,其中,EX(ρ)为密度ρ的均值。e3、将满足以下不等式的数据点选出作为密度峰值点,密度峰值点的数目为M,M为不为0的自然数;γi>γmin&δi>dc。f3、密度近邻聚类:将密度峰值点作为类中心,将剩余不是密度峰值点的数据点分配到自身对应的密度近邻点所属类中,得到初始的聚类结果,其中第t个初始类记作基于类内散度的核心融合操作,具体步骤包括:a4、统计每个数据点xi成为其他数据点的密度近邻点的次数NTi,计算公式如下:其中,对于xj而言,为满足ρi>ρj且使得dij取得最小值时的xi的次序i。b4、对于任意一个初始类找出其中NTi=0的数据点,计算这些数据点的密度均值,初始类中密度大于该密度均值的数据点为的核心点,的核心点构成的核心类,记作具体定义如下:其中,EX(ρj)为初始类中NTj=0的数据点的密度均值。c4、计算每个核心类与其他核心类之间的最小距离,记第t个核心类与第r个核心类之间的最小距离为ltr,计算公式如下:ltr=min(dij),d4、确定每个核心类的近邻核心类,对于任意一个核心类若核心类是的近邻核心类,则与之间的最小距离ltr应满足以下不等式:ltr≤dc。e4、计算每个核心类的类内散度,计算公式如下:其中,为核心类的类内散度,nt为核心类中数据点的数目。f4、计算每个核心类与其近邻核心类融合后的类内散度,计算公式如下:其中,为一个核心类,为的一个近邻核心类,为与融合后的类内散度,nt为核心类中数据点的数目,nr为核心类中数据点的数目,nt和nr均为大于0的自然数。g4、若一个核心类与其近邻核心类融合后的类内散度满足以下不等式,则将这两个核心类对应的初始类融合,h4、融合所有应融合的初始类得到最终的聚类结果。
请参阅图3、图4,图3为本申请实施例提供的一种飞行器结构损伤的监测系统的结构原理框图。图4为本申请实施例提供的一种电子设备的结构原理框图。与本发明的一种飞行器结构损伤的监测方法的原理相似的是,本发明还提供一种飞行器结构损伤的监测系统,所述飞行器结构损伤的监测系统包括但不限于第一采集器10、第二采集器20、量化单元30、迁移量化曲线获取单元40以及结构状态进行评估单元50。所述第一采集器10用于在所述飞行器结构处于时变服役条件以及无损伤状态下,采集所述飞行器结构的导波监测信号,以建立第一模型,所述第二采集器20用于在所述飞行器结构处于时变服役条件以及监测状态下,采集所述飞行器结构的导波监测信号,以建立第二模型,所述量化单元30用于量化所述第二模型相对于所述第一模型的迁移程度,所述迁移量化曲线获取单元40用于重复在所述飞行器结构处于时变服役条件以及监测状态下的操作,以得到一迁移量化曲线,所述结构状态进行评估单元50用于根据所述量化曲线,以对所述飞行器结构状态进行评估。本发明还提供一种电子设备,包括处理器70和存储器80,所述存储器80存储有程序指令,所述处理器70运行程序指令实现上述的一种飞行器结构损伤的监测方法。
请参阅图1、图5、图6、图7、图8、图9、图10、图11、图12、图13、图14、图15,图1为本申请实施例提供的被监测结构及压电传感器的布置示意图。图7为本申请实施例提供的基于密度峰值-核心融合的自适应聚类算法对导波样本集分割示意图。图8(a)、(b)为本申请实施例提供的对导波样本集的子样本集分别建立高斯混合模型示意图。图9为本申请实施例提供的导波基准层次分割高斯混合模型示意图。图10为本申请实施例提供的5mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图11为本申请实施例提供的10mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图12为本申请实施例提供的15mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图13为本申请实施例提供的20mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图14为本申请实施例提供的25mm裂纹下动态导波自适应层次分割高斯混合模型示意图。图15为本申请实施例提供的导波特征动态层次分割高斯混合模型迁移量化曲线示意图。第一压电片2作为导波信号的激励元件,第二压电片4作为导波信号的响应元件。复合材料板的实验环境为循环温度和循环载荷,温度的变化范围为0-60℃,载荷的变化范围为0-30kN。一、获取结构处于时变环境且结构处于健康状态下的导波监测信号,信号获取过程如下:第一步:将无损伤复合材料板置于实验环境中。第二步:可以但不限于每隔10min采集一次导波信号,共采集101次信号。二、对获取的导波监测信号进行特征提取建立导波样本集。分别从时域及频域各提取一种典型的损伤因子作为信号特征参数,构成二维信号特征样本集(D=2)。这两种损伤因子的计算方法如下:第一种损伤因子DI1的计算公式如下:其中,H(t)为基准信号,D(t)为导波监测信号。第二种损伤因子DI2的计算方法如下:其中,H(ω)为基准信号,D(ω)为导波监测信号,ω为信号频率,ω1和ωN分别为所截取的频谱幅度所在的起始频率和终止频率。将采集的第一个信号作为基准信号,剩余100个信号对基准信号计算两个损伤因子。每个信号计算出的两个损伤因子组成一个样本两个维度的值,所以共产生100个基准样本。三、基于自适应层次分割高斯混合模型建立算法,对上述产生的100个基准样本建立基准导波自适应层次分割高斯混合模型。(1)基于密度峰值-核心融合的自适应聚类算法分割样本集。本实施例中,密度峰值-核心融合的自适应聚类算法将样本集分割为两个子样本集,如图7所示,其中“+”为一个子样本集中的样本,“。”为另一个子样本集中的样本。(2)对子样本集分别建立高斯混合模型,结果如图8所示。(3)子样本集高斯混合模型的合并与优化,结果如图9所示。四、获取结构处于时变环境且结构处于监测状态下的导波监测信号,信号获取过程如下:第一步:在复合材料板上制造5mm裂纹。第二步:将复合材料板置于实验环境中。第三步:可以但不限于每隔10min采集一次导波信号,共采集100次信号。第四步:在复合材料板上制造10mm裂纹。第五步:将复合材料板置于实验环境中。第六步:可以但不限于每隔10min采集一次导波信号,共采集100次信号。第七步:在复合材料板上制造15mm裂纹。第八步:将复合材料板置于实验环境中。第九步:可以但不限于每隔10min采集一次导波信号,共采集100次信号。第十步:可以但不限于在复合材料板上制造20mm裂纹。第十一步:将复合材料板置于实验环境中。第十二步:可以但不限于每隔10min采集一次导波信号,共采集100次信号。第十三步:可以但不限于在复合材料板上制造25mm裂纹。第十四步:将复合材料板置于实验环境中。第十五步:可以但不限于每隔10min采集一次导波信号,共采集100次信号。上述步骤在5种结构损伤状态下,每种状态采集100个信号,共采集500个信号。五、基于两种损伤因子的计算方法,在每个信号采集后,对采集到的信号计算两种损伤因子组成样本,共形成500个有序样本,样本的顺序为信号采集的时间顺序。对每100个样本更新一次导波样本集,一共更新5次。六、对每次更新后的导波样本集使用自适应层次分割高斯混合模型建立动态导波自适应层次分割高斯混合模型,图10、图11、图12、图13、图14分别为5个动态导波自适应层次分割高斯混合模型。七、计算每个动态导波自适应层次分割高斯混合模型与基准导波自适应层次分割高斯混合模型的Jensen-Shannon散度。九、绘制导波特征动态自适应层次分割高斯混合模型迁移量化曲线,如图15所示,随着裂纹的扩展,Jensen-Shannon散度值增大。通过导波特征动态自适应层次分割高斯混合模型迁移量化曲线,实现了在载荷这种时变环境下对复合材料板的损伤监测。
综上所述,本发明的飞行器结构损伤的监测方法解决了在分布复杂的样本拟合程度较低,无法满足飞行器结构健康监测技术领域的要求的问题,以及解决了在样本集较大的情况下其运算效率较低且速度较慢,不满足在机载设备上实时监测的需求的问题,本发明可以有效提高时变环境损伤监测下,导波概率模型的准确性和建立速度,从而提高基于导波的飞行器结构损伤监测的可靠性及实时性。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种飞行器结构损伤的监测方法,其特征在于,所述飞行器结构损伤的监测方法包括:
通过第一采集器在所述飞行器结构处于时变服役条件以及无损伤状态下,采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,建立导波样本集,根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立基准导波自适应层次分割高斯混合模型;
通过第二采集器在所述飞行器结构处于时变服役条件以及监测状态下,采集所述飞行器结构的导波监测信号,提取所述导波监测信号的特征样本,更新导波样本集,根据所述导波样本集以及自适应层次分割高斯混合模型的建立方法,以建立动态导波自适应层次分割高斯混合模型;
量化所述动态导波自适应层次分割高斯混合模型相对于所述基准导波自适应层次分割高斯混合模型的迁移程度;
重复在所述飞行器结构处于时变服役条件以及监测状态下的操作,以得到一导波自适应层次分割高斯混合模型的迁移量化曲线;
根据所述迁移量化曲线,以对所述飞行器结构状态进行评估;
其中,建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型的步骤包括:
通过自适应聚类方法将所述导波样本集分割为多个子样本集;
对所有所述子样本集中每个子样本集分别建立高斯混合模型,以得到多个子样本集高斯混合模型;
对多个所述子样本集高斯混合模型进行合并和优化,以建立基准导波自适应层次分割高斯混合模型或动态导波自适应层次分割高斯混合模型。
所述对所有所述子样本集中每个子样本集分别建立高斯混合模型,以得到多个子样本集高斯混合模型的步骤包括:
步骤a、设置高斯混合模型的初始分量数K为1;
步骤b、建立分量数为K的高斯混合模型,并计算基于贝叶斯信息值:BIC=κln(ni)-2ln(L),其中,κ为参数模型个数,ni表示子样本集的样本个数,L表示似然函数;参数模型个数κ的计算公式为其中,D为数据的维度;高斯混合模型对数似然函数L的计算公式为:其中,Φ(xn|μk,∑k)表示第k个高斯分布在第n个样本xn处的值,wk、μk、∑k分别表示第k个高斯分布的权值、期望、协方差矩阵,k表示第k个高斯分布,k的取值范围为1至K;计算γnk:其中,wj、μj、∑j分别表示第j个高斯分布的权值、期望、协方差矩阵,第k个高斯分布在任意点x处的值为:其中,D为数据的维度;
步骤c、判断是否满足K>3,若是,则执行判断是否满足BICK>BICK-1>BICK-2的操作,即为执行步骤d操作,若否,则设置分量数K为K+1,执行建立分量数为K的高斯混合模型的操作,即为执行步骤b操作;
步骤d、判断是否满足BICK>BICK-1>BICK-2,其中BICK,BICK-1,BICK-2分别为分量数为K,K-1,K-2的高斯混合模型的贝叶斯信息值,若是,则执行在K个高斯混合模型中选择基于贝叶斯信息值最小的高斯混合模型的操作,即为执行步骤e操作,若否,则设置分量数K为K+1,执行建立分量数为K的高斯混合模型的操作,即为执行步骤b操作;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711521.3A CN111812215B (zh) | 2020-07-22 | 2020-07-22 | 一种飞行器结构损伤的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711521.3A CN111812215B (zh) | 2020-07-22 | 2020-07-22 | 一种飞行器结构损伤的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812215A CN111812215A (zh) | 2020-10-23 |
CN111812215B true CN111812215B (zh) | 2021-06-29 |
Family
ID=72861967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010711521.3A Active CN111812215B (zh) | 2020-07-22 | 2020-07-22 | 一种飞行器结构损伤的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812215B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112520064B (zh) * | 2020-12-04 | 2022-09-20 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于应变监测的损伤自动识别方法 |
CN112660417B (zh) * | 2020-12-25 | 2022-03-25 | 湖南航天机电设备与特种材料研究所 | 一种用于飞行器结构部件的结构损伤诊断方法及诊断系统 |
CN113483764B (zh) * | 2021-07-07 | 2022-09-02 | 哈尔滨工业大学 | 一种基于在线传感的智能飞行器任务路径规划方法 |
CN114692302B (zh) * | 2022-03-28 | 2023-08-25 | 中南大学 | 基于高斯混合模型的疲劳裂纹检测方法及系统 |
CN114818799B (zh) * | 2022-04-15 | 2024-03-19 | 西南交通大学 | 复合材料叠层构件钻锪一体加工监测信号分割方法 |
CN116503344A (zh) * | 2023-04-21 | 2023-07-28 | 南京邮电大学 | 一种基于深度学习的裂纹实例分割方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4747054A (en) * | 1984-11-28 | 1988-05-24 | Conoco Inc. | Method for non-linear signal matching |
US5315676A (en) * | 1992-09-09 | 1994-05-24 | Fuji Photo Film Co., Ltd. | Optical waveguide device |
CN101566519A (zh) * | 2009-05-22 | 2009-10-28 | 东南大学 | 基于模态波和高斯混合模型的转子碰摩声发射识别方法 |
WO2010080710A2 (en) * | 2009-01-12 | 2010-07-15 | Molecular Sensing, Inc. | Sample collection and measurement in a single container by back scattering interferometry |
CN102663684A (zh) * | 2012-03-17 | 2012-09-12 | 西安电子科技大学 | 基于高斯混合模型参数块迁移聚类的sar图像分割方法 |
CN102930556A (zh) * | 2012-09-21 | 2013-02-13 | 公安部第三研究所 | 实现多摄像机目标跟踪的视频图像结构化描述处理的方法 |
US8699889B2 (en) * | 2010-03-24 | 2014-04-15 | University Of Central Florida Research Foundation, Inc. | Polarization demultiplexing using independent component analysis |
CN105844055A (zh) * | 2016-04-14 | 2016-08-10 | 南京航空航天大学 | 基于导波动态强化裂变-聚合概率模型的损伤监测方法 |
CN108303433A (zh) * | 2018-01-18 | 2018-07-20 | 南京航空航天大学 | 时变环境下结构损伤的高斯混合模型-路径累积成像方法 |
CN108009378B (zh) * | 2017-12-22 | 2019-02-12 | 南京航空航天大学 | 基于均匀初始化gmm的导波hmm的结构时变损伤评估方法 |
CN109345032A (zh) * | 2018-10-30 | 2019-02-15 | 南京航空航天大学 | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 |
CN109632963A (zh) * | 2019-01-11 | 2019-04-16 | 南京航空航天大学 | 一种基于时不变特征信号构建的结构损伤四维成像方法 |
CN108334704B (zh) * | 2018-02-09 | 2019-07-12 | 南京航空航天大学 | 基于自适应密度峰值-混合概率建模的结构损伤监测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2138912C (en) * | 1993-12-24 | 1999-05-04 | Shoji Ishizaka | Semiconductor laser device |
CA2169506A1 (en) * | 1995-03-22 | 1996-09-23 | Michael Alan Marcus | Associated dual interferometric measurement apparatus and method |
WO1999060380A1 (en) * | 1998-05-19 | 1999-11-25 | Cepheid | Multi-channel optical detection system |
US7042631B2 (en) * | 2001-01-04 | 2006-05-09 | Coherent Technologies, Inc. | Power scalable optical systems for generating, transporting, and delivering high power, high quality, laser beams |
US6956651B2 (en) * | 2002-09-07 | 2005-10-18 | Hilary S. Lackritz | Bioanalysis systems including optical integrated circuit |
KR100471380B1 (ko) * | 2002-12-23 | 2005-03-10 | 한국전자통신연구원 | 레이저 직접 묘화법을 이용한 광 도파로 제작방법 및 이를이용한 광 도파로 |
US20050180673A1 (en) * | 2004-02-12 | 2005-08-18 | Panorama Flat Ltd. | Faraday structured waveguide |
EP1766450A2 (en) * | 2004-02-12 | 2007-03-28 | Panorama Labs Pty Ltd. | Apparatus, method, and computer program product for substrated/componentized waveguided goggle system |
US7254287B2 (en) * | 2004-02-12 | 2007-08-07 | Panorama Labs, Pty Ltd. | Apparatus, method, and computer program product for transverse waveguided display system |
US7889148B2 (en) * | 2006-12-22 | 2011-02-15 | Arizona Board Of Regents For And On Behalf Of Arizona State University | Compact broad-band admittance tunnel incorporating gaussian beam antennas |
US10448152B2 (en) * | 2015-09-21 | 2019-10-15 | Northeastern University | Systems and methods for monitoring and classifying marine animals based on acoustic signals |
US11225689B2 (en) * | 2016-08-17 | 2022-01-18 | The Broad Institute, Inc. | Method for determination and identification of cell signatures and cell markers |
GB201711412D0 (en) * | 2016-12-30 | 2017-08-30 | Maxu Tech Inc | Early entry |
-
2020
- 2020-07-22 CN CN202010711521.3A patent/CN111812215B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4747054A (en) * | 1984-11-28 | 1988-05-24 | Conoco Inc. | Method for non-linear signal matching |
US5315676A (en) * | 1992-09-09 | 1994-05-24 | Fuji Photo Film Co., Ltd. | Optical waveguide device |
WO2010080710A2 (en) * | 2009-01-12 | 2010-07-15 | Molecular Sensing, Inc. | Sample collection and measurement in a single container by back scattering interferometry |
CN101566519A (zh) * | 2009-05-22 | 2009-10-28 | 东南大学 | 基于模态波和高斯混合模型的转子碰摩声发射识别方法 |
US8699889B2 (en) * | 2010-03-24 | 2014-04-15 | University Of Central Florida Research Foundation, Inc. | Polarization demultiplexing using independent component analysis |
CN102663684A (zh) * | 2012-03-17 | 2012-09-12 | 西安电子科技大学 | 基于高斯混合模型参数块迁移聚类的sar图像分割方法 |
CN102930556A (zh) * | 2012-09-21 | 2013-02-13 | 公安部第三研究所 | 实现多摄像机目标跟踪的视频图像结构化描述处理的方法 |
CN105844055A (zh) * | 2016-04-14 | 2016-08-10 | 南京航空航天大学 | 基于导波动态强化裂变-聚合概率模型的损伤监测方法 |
CN108009378B (zh) * | 2017-12-22 | 2019-02-12 | 南京航空航天大学 | 基于均匀初始化gmm的导波hmm的结构时变损伤评估方法 |
CN108303433A (zh) * | 2018-01-18 | 2018-07-20 | 南京航空航天大学 | 时变环境下结构损伤的高斯混合模型-路径累积成像方法 |
CN108334704B (zh) * | 2018-02-09 | 2019-07-12 | 南京航空航天大学 | 基于自适应密度峰值-混合概率建模的结构损伤监测方法 |
CN109345032A (zh) * | 2018-10-30 | 2019-02-15 | 南京航空航天大学 | 基于动态裂纹数目的粒子滤波多裂纹扩展预测方法 |
CN109632963A (zh) * | 2019-01-11 | 2019-04-16 | 南京航空航天大学 | 一种基于时不变特征信号构建的结构损伤四维成像方法 |
Non-Patent Citations (6)
Title |
---|
An enhanced dynamic Gaussian mixture model–based damage monitoring method of aircraft structures under environmental and operational conditions;Lei Qiu.et;《SHM》;20181231;第1-22页 * |
An Improved Gaussian Mixture Model for Damage Propagation Monitoring of an AircraftWing Spar under Changing Structural Boundary Conditions;Lei Qiu.et;《Sensors》;20160226;第16卷;第1-18页 * |
Guided Wave-Gaussian Mixture Model based Damage Evaluation Method under Time-Varying Condition and Its Validation in a Full-Scale Aircraft Fatigue Test;Lei QIU.et;《EWSHM2016》;20161231;第1-10页 * |
On w-mixtures:Finite convex combinations of prescribed component distributions;Frank Nielsen.et;《IEEE ICASSP 2018》;20181231;第1-31页 * |
导波结构健康监测系统软件数据管理模块设计;张申宇等;《研究与开发》;20170228;第36卷(第2期);第54-59页 * |
飞行器结构健康监测中压电-导波成像技术的发展与挑战;鲍峤等;《航空科学技术》;20200325;第31卷(第03期);第15-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111812215A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812215B (zh) | 一种飞行器结构损伤的监测方法 | |
Chomboon et al. | An empirical study of distance metrics for k-nearest neighbor algorithm | |
CN111242206B (zh) | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 | |
CN108764006B (zh) | 一种基于深度强化学习的sar图像目标检测方法 | |
Di Prinzio et al. | Data-driven catchment classification: application to the pub problem | |
CN110827921B (zh) | 一种单细胞聚类方法、装置、电子设备及存储介质 | |
WO2002093810A2 (en) | Method of and apparatus for quantum clustering | |
Xue et al. | Application of a support vector machine for prediction of slope stability | |
Singh et al. | Nonparametric catchment clustering using the data depth function | |
CN110163294B (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN108664986B (zh) | 基于lp范数正则化的多任务学习图像分类方法及系统 | |
Montagna et al. | Computer emulation with nonstationary Gaussian processes | |
Sun et al. | Probabilistic neural network based seabed sediment recognition method for side-scan sonar imagery | |
CN114818886A (zh) | 一种基于PCA和CatBoost回归融合预测土壤渗透率的方法 | |
Lei et al. | An efficient method by nesting adaptive Kriging into Importance Sampling for failure-probability-based global sensitivity analysis | |
Asghari et al. | Spatial rainfall prediction using optimal features selection approaches | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
Pons et al. | Adaptive mesh refinement method. Part 1: Automatic thresholding based on a distribution function | |
CN117034090A (zh) | 模型参数调整、模型应用方法、装置、设备及介质 | |
CN114492540B (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
CN113688773B (zh) | 一种基于深度学习的储罐穹顶位移数据修复方法及其装置 | |
CN111127485B (zh) | 一种ct图像中目标区域提取方法、装置及设备 | |
CN114896841A (zh) | 一种基于领域自适应的在线结构损伤量化方法 | |
JP4964798B2 (ja) | 画像辞書生成装置,画像辞書生成方法,画像辞書生成プログラムおよびその記録媒体 | |
CN114781207A (zh) | 基于不确定性和半监督学习的热源布局温度场预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |