CN113743595B - 基于物理驱动自编码器神经网络的结构参数识别方法 - Google Patents

基于物理驱动自编码器神经网络的结构参数识别方法 Download PDF

Info

Publication number
CN113743595B
CN113743595B CN202111176743.0A CN202111176743A CN113743595B CN 113743595 B CN113743595 B CN 113743595B CN 202111176743 A CN202111176743 A CN 202111176743A CN 113743595 B CN113743595 B CN 113743595B
Authority
CN
China
Prior art keywords
neural network
self
encoder
training
parameters
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
Application number
CN202111176743.0A
Other languages
English (en)
Other versions
CN113743595A (zh
Inventor
方圣恩
郭新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202111176743.0A priority Critical patent/CN113743595B/zh
Publication of CN113743595A publication Critical patent/CN113743595A/zh
Application granted granted Critical
Publication of CN113743595B publication Critical patent/CN113743595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Neurology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种基于物理驱动自编码器神经网络的结构参数识别方法，包括以下步骤：步骤S1:获取待识别参数，并预设待识别参数的区间；步骤S2:在预设待识别参数的区间内选出参数样本点，并通过有限元计算对应的频响函数；步骤S3:将频响函数置信准则作为物理驱动项集成到自编码器神经网络的损失函数表达式中，训练该神经网络；步骤S4:提取自编码器神经网络中的编码部分作为全连接神经网络的输入层，并训练全连接神经网络；步骤S5:将实测频响函数先通过自编码器神经网络进行编码降维，再将编码数据带入全连接神经网络即可完成参数识别。本发明能够有效剔除异常解，加快神经网络的收敛速度，提高预测的准确性和合理性。

Description

基于物理驱动自编码器神经网络的结构参数识别方法
技术领域
本发明涉及结构设计领域，具体涉及一种基于物理驱动自编码器神经网络的结构参数识别方法。
背景技术
工程研究的所有领域都存在参数识别技术的应用，传统的参数识别问题通常被看作一种最优化问题，通过不同的优化算法进行求解；近年来随着计算机及传感器技术的巨大进步，在人工智能领域涌现出新型的机器学习算法，如各种神经网络算法、遗传算法及群智能算法等。这些算法不仅在原领域发挥了很大作用，同时也给工程领域的优化问题求解提供了新的途径，特别是传统算法难以求解的多目标优化反问题。其中尤其以神经网络的应用最为突出，但基于神经网络的结构参数识别仍无法摆脱黑盒运行的特性，即过于依赖数据进行训练和识别，无法体现与数据来源结构的相关物理知识，如静动力方程、物理定律等，在工程问题的现实表述上存在一定缺陷。
发明内容
有鉴于此，本发明的目的在于提供一种基于物理驱动自编码器神经网络的结构参数识别方法，能够有效剔除异常解，加快神经网络的收敛速度，还提高了预测的准确性和合理性，为结构设计、施工监控、运营状态监测等环节提供了可靠的校核数据
为实现上述目的，本发明采用如下技术方案：
一种基于物理驱动自编码器神经网络的结构参数识别方法，包括以下步骤：
步骤S1:获取待识别参数，并预设待识别参数的区间；
步骤S2:在预设待识别参数的区间内选出参数样本点，并通过有限元计算对应的频响函数；
步骤S3:将频响函数置信准则作为物理驱动项集成到自编码器神经网络的损失函数表达式中，训练该神经网络至精度达到预设要求并保存待用；
步骤S4:提取自编码器神经网络中的编码部分作为全连接神经网络的输入层，训练全连接神经网络至精度合格并保存待用；
步骤S5:将实测频响函数先通过自编码器神经网络进行编码降维，再将编码数据带入全连接神经网络即可完成参数识别。
进一步的，所述步骤S2采用实验设计在选定区间内挑选待识别参数样本点。
进一步的，所述神经网络采用物理驱动自编码器神经网络，步骤S3具体如下：
步骤S31:采用自编码器对其进行编码降维，并在损失函数中添加了频响函数置信准则，以约束训练结果在预设的解空间；
步骤S32:确定损失函数的表达形式后，采用基于反向传播的优化算法最小化损失函数以获取其网络参数；
步骤S33:当物理驱动自编码器神经网络的精度满足要求后终止训练，保存该神经网络待用。
进一步的，所述损失函数设定如下：
(1)
式中代表传统的均方误差项，等号右侧第二项代表物理驱动项；/>代表神经网络的输出向量，x代表输出样本的标签，/>代表训练样本的个数，下标i代表训练样本集中的第i组向量，上标T代表向量转置
进一步的，所述全连接神经网络，步骤S4具体为：输入层提取自编码器神经网络中的编码部分作为输入层；输出层数据的神经元个数由待识别参数的个数决定；不断调试网络层数及神经元个数直至神经网络达到预设精度后保存。
进一步的，所述步骤S5具体为： 将实测获得的结构频响函数输入训练后的物理驱动自编码器神经网络，然后提取频响函数降维后的编码数据作为全连接神经网络的输入，便可由全连接神经网络获取结构的物理参数值。
一种基于物理驱动自编码器神经网络的结构参数识别系统，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如上所述的结构参数识别方法中的步骤。
本发明与现有技术相比具有以下有益效果：
1、本发明采用自编码器神经网络将原本数据量庞大的频响函数进行编码降维，不仅保留了重要的原始数据信息，还便于结合其他神经网络进行各种机器学习任务的训练和预测，同时数据量的减少也必然会提升训练和预测效率；
2、在损失函数中加入频响函数置信准则即物理驱动项，使模型的训练不再单纯依赖数据驱动，还具有一定物理意义，提高了模型的可解释性；
3、本发明能有效剔除异常解，加快神经网络的收敛速度，提高预测的准确性和合理性。
附图说明
图1是本发明方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于物理驱动自编码器神经网络的结构参数识别方法，包括以下步骤：
步骤S1:获取待识别参数，并预设待识别参数的区间；
步骤S2:采用实验设计在选定区间内挑选待识别参数样本点，保证实验点均匀分布的同时尽可能的减少实验次数。选择好参数样本点后，通过有限元计算获得其对应的频响函数数据，作为神经网络的训练样本；
步骤S3:将频响函数置信准则作为物理驱动项集成到自编码器神经网络的损失函数表达式中，训练该神经网络至精度达到预设要求并保存待用；
步骤S4:提取自编码器神经网络中的编码部分作为全连接神经网络的输入层，训练全连接神经网络至精度合格并保存待用；
步骤S5:将实测频响函数先通过自编码器神经网络进行编码降维，再将编码数据带入全连接神经网络即可完成参数识别。
在本实施例中，采用的物理驱动自编码器神经网络设计及训练过程具体如下：
1. 首先采用自编码器对频响函数进行编码降维。同时，考虑到传统神经网络的黑盒特性，本发明提出了一种物理驱动自编码器神经网络，在损失函数中添加了频响函数置信准则，以约束训练结果在预设的解空间。损失函数设定如下：
(1)
式中代表传统的均方误差项，等号右侧第二项代表物理驱动项；/>代表神经网络的输出向量，x代表输出样本的标签，/>代表训练样本的个数，下标i代表训练样本集中的第i组向量，上标T代表向量转置.损失函数的最小化不仅使得数据能逼近标签（均方误差项），也迫使神经网络输出的频响函数形状与标签相匹配，逼近频响函数置信准则（物理驱动项）。
确定损失函数的表达形式后，采用基于反向传播的优化算法最小化损失函数以获取其网络参数。当物理驱动自编码器神经网络的精度满足要求后终止训练，保存该神经网络待用。
在本实施例中，全连接神经网络的设计及训练过程具体如下：物理驱动自编码器神经网络训练完成后，便可提取其中的编码部分，该部分数据将作为全连接神经网络的输入层数据，而输出层数据的神经元个数将由待识别参数的个数决定。通过不断调试网络层数及神经元个数直至神经网络达到合格精度后同样保存待用。
在本实施例中，参数识别的过程具体为：首先将实测获得的结构频响函数输入至物理驱动自编码器神经网络，然后提取频响函数降维后的编码数据作为全连接神经网络的输入，便可由全连接神经网络获取结构的物理参数值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (5)

1.一种基于物理驱动自编码器神经网络的结构参数识别方法，其特征在于，包括以下步骤：
步骤S1:获取待识别参数，并预设待识别参数的区间；
步骤S2:在预设待识别参数的区间内选出参数样本点，并通过有限元计算对应的频响函数；
步骤S3:将频响函数置信准则作为物理驱动项集成到自编码器神经网络的损失函数表达式中，训练该神经网络至精度达到预设要求并保存待用；
步骤S4:提取自编码器神经网络中的编码部分作为全连接神经网络的输入层，训练全连接神经网络至精度合格并保存待用；
步骤S5:将实测频响函数先通过自编码器神经网络进行编码降维，再将编码数据带入全连接神经网络即可完成参数识别；
所述神经网络采用物理驱动自编码器神经网络，步骤S3具体如下：
步骤S31:采用自编码器对其进行编码降维，并在损失函数中添加了频响函数置信准则，以约束训练结果在预设的解空间；
步骤S32:确定损失函数的表达形式后，采用基于反向传播的优化算法最小化损失函数以获取其网络参数；
步骤S33:当物理驱动自编码器神经网络的精度满足要求后终止训练，保存该神经网络待用；
所述损失函数设定如下：
式中MSEu代表传统的均方误差项，等号右侧第二项代表物理驱动项；x′代表神经网络的输出向量，x代表输出样本的标签，N代表训练样本的个数，下标i代表训练样本集中的第i组向量，上标T代表向量转置。
2.根据权利要求1所述的基于物理驱动自编码器神经网络的结构参数识别方法，其特征在于，所述步骤S2采用实验设计在选定区间内挑选待识别参数样本点。
3.根据权利要求1所述的基于物理驱动自编码器神经网络的结构参数识别方法，其特征在于，所述全连接神经网络，步骤S4具体为：提取自编码器神经网络中的编码部分作为输入层；输出层数据的神经元个数由待识别参数的个数决定；不断调试网络层数及神经元个数进行训练直至神经网络达到预设精度后保存。
4.根据权利要求1所述的基于物理驱动自编码器神经网络的结构参数识别方法，其特征在于，所述步骤S5具体为：将实测获得的结构频响函数输入训练后的物理驱动自编码器神经网络，然后提取频响函数降维后的编码数据作为全连接神经网络的输入便可由全连接神经网络获取结构的物理参数值。
5.一种基于物理驱动自编码器神经网络的结构参数识别系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-4任一项所述的结构参数识别方法中的步骤。
CN202111176743.0A 2021-10-09 2021-10-09 基于物理驱动自编码器神经网络的结构参数识别方法 Active CN113743595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111176743.0A CN113743595B (zh) 2021-10-09 2021-10-09 基于物理驱动自编码器神经网络的结构参数识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111176743.0A CN113743595B (zh) 2021-10-09 2021-10-09 基于物理驱动自编码器神经网络的结构参数识别方法

Publications (2)

Publication Number Publication Date
CN113743595A CN113743595A (zh) 2021-12-03
CN113743595B true CN113743595B (zh) 2023-08-15

Family

ID=78726172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111176743.0A Active CN113743595B (zh) 2021-10-09 2021-10-09 基于物理驱动自编码器神经网络的结构参数识别方法

Country Status (1)

Country Link
CN (1) CN113743595B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117609870B (zh) * 2024-01-23 2024-04-23 北京燧原智能科技有限公司 结构识别模型训练、模型结构识别方法、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109086805A (zh) * 2018-07-12 2018-12-25 华南理工大学 一种基于深度神经网络和成对约束的聚类方法
CN109886388A (zh) * 2019-01-09 2019-06-14 平安科技（深圳）有限公司 一种基于变分自编码器的训练样本数据扩充方法和装置
US10499081B1 (en) * 2018-06-19 2019-12-03 Sony Interactive Entertainment Inc. Neural network powered codec
CN112462198A (zh) * 2020-11-17 2021-03-09 国网四川省电力公司电力科学研究院 一种基于自编码器的电网故障线路判定方法及系统
CN112529166A (zh) * 2020-12-25 2021-03-19 中国科学院西安光学精密机械研究所 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备
CN113378939A (zh) * 2021-06-11 2021-09-10 福州大学 基于物理驱动神经网络的结构数字孪生建模与参数识别法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10499081B1 (en) * 2018-06-19 2019-12-03 Sony Interactive Entertainment Inc. Neural network powered codec
CN109086805A (zh) * 2018-07-12 2018-12-25 华南理工大学 一种基于深度神经网络和成对约束的聚类方法
CN109886388A (zh) * 2019-01-09 2019-06-14 平安科技（深圳）有限公司 一种基于变分自编码器的训练样本数据扩充方法和装置
CN112462198A (zh) * 2020-11-17 2021-03-09 国网四川省电力公司电力科学研究院 一种基于自编码器的电网故障线路判定方法及系统
CN112529166A (zh) * 2020-12-25 2021-03-19 中国科学院西安光学精密机械研究所 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备
CN113378939A (zh) * 2021-06-11 2021-09-10 福州大学 基于物理驱动神经网络的结构数字孪生建模与参数识别法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
不确定性参数识别的区间响应面模型修正方法;方圣恩;振动工程学报;第28卷(第1期);73-81 *

Also Published As

Publication number Publication date
CN113743595A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN110580496A (zh) 一种基于熵最小化的深度迁移学习系统及方法
Zeng et al. A GA-based feature selection and parameter optimization for support tucker machine
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN112947300A (zh) 一种加工质量虚拟量测方法、系统、介质及设备
CN105676814A (zh) 基于sfla-svm的数字化水岛在线加药控制方法
CN113743595B (zh) 基于物理驱动自编码器神经网络的结构参数识别方法
Dai et al. Hybrid deep model for human behavior understanding on industrial internet of video things
CN111914492A (zh) 一种基于进化优化的半监督学习工业过程软测量建模方法
CN109886560A (zh) 配电网改造措施与电压合格率指标关联性挖掘方法及装置
CN110009181A (zh) 配电网改造措施与失负荷量指标关联性挖掘方法及装置
CN112784920A (zh) 云边端协同的旋转部件对抗域自适应故障诊断方法
CN111784061A (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN116975645A (zh) 一种基于vae-mrcnn的工业过程软测量建模方法
CN116306793A (zh) 一种基于对比孪生网络的具有目标任务指向性的自监督学习方法
CN115272000A (zh) 一种电力系统暂态稳定评估方法及系统
CN115907000A (zh) 一种用于电力系统最优潮流预测的小样本学习方法
CN111476408B (zh) 一种电力通信设备状态预测方法及系统
CN112348275A (zh) 一种基于在线增量学习的区域生态环境变化预测方法
Yu et al. A combination forecasting model of extreme learning machine based on genetic algorithm optimization
CN111626472A (zh) 一种基于深度混合云模型的场景趋势判断指标计算系统及方法
CN115761654B (zh) 一种车辆重识别方法
Khrisna et al. The Use of Convolutional Neural Networks for RNA Protein Prediction
CN112750074B (zh) 小样本图像特征增强方法及系统、图像分类方法及系统
CN115577769B (zh) 一种基于双向神经网络自回归模型的量测数据拟合方法
CN114742665A (zh) 一种基于多类型监测数据的人工智能监测方法和系统

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