CN117454100A - 一种面向工程结构的缺失数据重构方法 - Google Patents
一种面向工程结构的缺失数据重构方法 Download PDFInfo
- Publication number
- CN117454100A CN117454100A CN202311206761.8A CN202311206761A CN117454100A CN 117454100 A CN117454100 A CN 117454100A CN 202311206761 A CN202311206761 A CN 202311206761A CN 117454100 A CN117454100 A CN 117454100A
- Authority
- CN
- China
- Prior art keywords
- data
- missing
- channel
- time
- reconstruction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012300 Sequence Analysis Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种面向工程结构的缺失数据重构方法,尤其应用于桥梁结构的缺失数据重构,方法包括采集获取工程结构各监测通道数据,利用标准正态变换逐一计算各通道数据的均值及标准差,并利用均值和标准差对各通道数据进行归一化;将归一化处理后的数据进行时序排序,根据数据缺失开始出现位置提取无缺失通道数据,将无缺失通道数据划分为训练集和测试集;根据各通道间的时空相关性及缺失数据通道本身的时间相关性学习基于LSTM单元建立的时序模型神经网络,利用训练集和测试集对学习完成后的时序模型神经网络进行验证,最终输入缺失通道数据进行重构。本发明方法充分利用监测数据,通过精确训练关系模型,提高数据完整性和可靠性。
Description
技术领域
本发明属于缺失数据重构技术领域,具体涉及一种面向工程结构的缺失数据重构方法。
背景技术
缺失数据重构在数据分析处理中发挥着重要作用。随着建筑工业化及智能制造的不断推进,大量工程结构已安装了健康监测系统,由于监测系统的数据采集、存储及传输的数据量十分庞大,难免会出现数据丢失的情况。在工程结构中,大部分分析研究方法需要基于完整的数据进行分析,通道出现缺失数据,容易造成方法运行分析的不稳定和异步问题,造成结构评估结果偏差甚至错误,引起不必要的经济投入。为增强数据的完整性和分析方法的稳定性,提高数据的可靠性,对存在缺失数据的数据集进行缺失数据重构十分必要。运用关系学习能力更强的机器学习方法重构工程结构健康监测采集的存在缺失数据的数据集已经成为数据重构方向的一个趋势,从而保证分析数据完整,降低数据影响,提高监测系统的稳定性。
在信息化的大数据时代,将机器学习(ML)算法应用到工程等各个领域成为一种潮流,即通过从大量的监测数据中提取特征量来获取信息,然后对数据本身进行分析,对数据进行必要的预处理,用以保障后续的工程结构进行健康状态的预测以及评估。
利用健康监测系统的正常采集数据估计由于某些原因而造成的数据缺失位置的信息,称为缺失数据重构。基于数据驱动实现缺失数据重构的一种有效方法为时序分析模型深度学习。发展至今包括:RNN模型、LSTM单元模型、BiLSTM模型、GRU模型等,广泛应用于数据的时间维度信息挖掘、数据预测、标签及拟合等场景。
目前基于LSTM单元的时序分析模型深度学习方法广泛的应用在实际工程当中,并取得了较大的研究进展。在诸如LSTM单元和GRU单元的时序分析模型中,均是采用门限机制来记忆过去数据信息的贡献。众多研究基于单元进行模型搭建,以单向、双向进行应用场景分析,利用通道间的时空相关性学习数据关系模型,在短时间数缺失工况下,缺失的所在通道的数据本身的时间相关性也是重要的关系模型信息。
尽可能考虑采集数据更多维度的信息,有助于更接近结构本身的演变规律,学习到对应结构的更基础的关系模型,从而获得更高精度、更可靠的数据分析、重构结果。对于后续结构状态安全评估、健康监测研究等提供完整的数据支持,并提高后续结构分析方法的稳定性。
发明内容
本发明针对上述问题,提供了一种面向工程结构的缺失数据重构方法,通过充分利用监测数据、精确训练关系模型来提高数据完整性。
根据本公开实施例的一种面向工程结构的缺失数据重构方法,所述方法以下步骤:
采集获取工程结构各监测通道数据,利用标准正态变换逐一计算各通道数据的均值及标准差,并利用均值和标准差对各通道数据进行归一化;
将归一化处理后的数据进行时序排序,根据数据缺失开始出现位置提取无缺失通道数据,将无缺失通道数据划分为训练集和测试集;
根据各通道间的时空相关性及缺失数据通道本身的时间相关性,学习基于LSTM单元建立的时序模型神经网络,利用训练集和测试集对学习完成后的时序模型神经网络进行验证,最终输入缺失通道数据进行重构。
在一实施例中,利用均值和标准差对各通道数据进行归一化,具体包括:将各通道数据分别与其对应通道的均值作差,并将作差结果除以对应通道的标准差。
在一实施例中,所述基于LSTM单元建立的时序模型神经网络包括表示缺失通道本身历史数据的缺失通道时程关系模型和表示各通道间时空关系的通道时空关系模型。
在一实施例中,在学习基于LSTM单元建立的时序模型神经网络的过程中采用的损失函数为均方误差值,并采用Adam Optimizer优化算法进行参数更新。
在一实施例中,完成学习后的时序模型神经网络对训练集和测试集进行缺失通道数据重构,将重构结果采用MSE、MAE及R2评价指标进行检验。
本公开实施例还提供了一种桥梁结构缺失数据重构方法,实施例利用上述缺失数据重构方法进行桥梁结构缺失数据重构。
在一实施例中,采集获取桥梁结构N个监测通道数据,缺失数据通道为N个监测通道中的任意一个。
本发明提供的一种面向工程结构的缺失数据重构方法,其有益效果包括:
1、将标准正态变换作为数据预处理,因为标准正态变换可以将原始数据处理为服从标准正态分布的归一化信号,能够消除奇异样本数据及量纲影响。
2、提出了运用含有多线路多层神经网络的LSTM单元模型,可用于训练缺失状态下工程结构数据或桥梁运营数据来实现不同缺失通道数据的重构,并且通过验证分析证明本发明对缺失数据的重构效果更准确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理
图1是本发明实施例中面向工程结构的缺失数据重构方法流程示意图;
图2是本发明实施例中桥梁数值示例模型图;
图3是本发明实施例中在固定单通道缺失下的不同神经网络训练损失过程图;
图4是本发明实施例中在固定单通道缺失下的不同参数的CLSTM训练损失过程图;
图5是本发明实施例中在固定单通道缺失下的缺失数据重构结果图;
图6是本发明实施例中在随机单通道缺失下的不同参数的CLSTM训练损失过程图;
图7是本发明实施例中在随机单通道缺失下的缺失数据重构结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅出示了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例针对一种面向工程结构的缺失数据重构方法,提供了如下实施例:
参见图1所示,一种面向工程结构的缺失数据重构方法,所述方法以下步骤:
采集获取工程结构各监测通道数据,利用标准正态变换逐一计算各通道数据的均值及标准差,并利用均值和标准差对各通道数据进行归一化;
利用均值和标准差对各通道数据进行归一化,具体包括:将各通道数据分别与其对应通道的均值作差,并将作差结果除以对应通道的标准差。
具体实施过程中,应用标准正态变换对采集的原始信号进行幅值及分布的归一化,根据缺失数据出现时刻,从振动数据集中选取缺失数据出现前的样本,然后使用标准正态变换方法对其进行数据预处理。标准正态变换可将振动信号数据归一化为服从标准正态分布。
将归一化处理后的数据进行时序排序,根据数据缺失开始出现位置提取无缺失通道数据,将无缺失通道数据划分为训练集和测试集;
根据各通道间的时空相关性及缺失数据通道本身的时间相关性,学习基于LSTM单元建立的时序模型神经网络,利用训练集和测试集对学习完成后的时序模型神经网络进行验证,最终输入缺失通道数据进行重构。
所述基于LSTM单元建立的时序模型神经网络包括表示缺失通道本身历史数据的缺失通道时程关系模型和表示各通道间时空关系的通道时空关系模型。
在学习基于LSTM单元建立的时序模型神经网络的过程中采用的损失函数为均方误差值,并采用Adam Optimizer优化算法进行参数更新。
完成学习后的时序模型神经网络对训练集和测试集进行缺失通道数据重构,将重构结果采用MSE、MAE及R2评价指标进行检验。
具体实施过程中,通过时序排列,按照缺失出现时刻将采集数据集划分,并将无缺失数据部分的数据集作为神经网络的输入输出。基于LSTM(Long Short Term Memory,长短时记忆)单元的基本模型主要包含不同关系学习线路。优选实施例中以单通道数据缺失为例,则有缺失通道本身时程关系模型和通道间的时空关系模型,形成具有两条线路的LSTM单元时间序列分析模型,称之为基于LSTM单元的交叉模型(Cross LSTM,CLSTM)。通过上述两条线路对数据集的多个维度关系进行学习,可以更充分发掘缺失处与其它数据的关系,实现更为精确的估计。在训练生成CLSTM网络模型的过程中采用的损失函数为MSE,即均方误差值;采用Adam Optimizer优化算法。
具体实施过程中,使用最终的网络对缺失数据部分的数据集进行重构,通过最终训练完成的CLSTM网络利用训练数据以及测试数据进行缺失通道数据重构,得到CLSTM网络的缺失数据估计结果,并采用MSE、MAE及R2评价指标进行检验。
实施例还公开了一种桥梁结构缺失数据重构方法,实施例利用上述缺失数据重构方法进行桥梁结构缺失数据重构。采集获取桥梁结构N个监测通道数据,缺失数据通道为N个监测通道中的任意一个。
发明人以推动桥梁结构智能运维的重大工程需求为背景,以对桥梁结构健康监测趋向自动化、智能化以及数字化方向发展作为目标,提出一种基于长短时记忆单元的神经网络研究在不同数据缺失工况下数据重构的方法。在桥梁等工程结构中,某个点的监测数据可表达为当前时刻下与其它点的关系模型,即影响线或影响面叠加模型;同时也可表达为与该点本身历史数据的关系模型,即时程变化模型。本发明综合考虑这两个关系模型,利用LSTM单元的时序分析特点,用于对单通道数据缺失的不同缺失工况进行数据重构。在此基础上,提出了一种新的基于LSTM单元的缺失数据重构方法,进行多路并行网络实现缺失数据的重构。该方法包括下列步骤:应用标准正态变换对原始信号进行幅值及分布的归一化;通过时序排列,按照缺失出现时刻将采集数据集划分,并将无缺失数据部分的数据集作为神经网络的输入输出;使用最终的网络对缺失数据部分的数据集进行重构。
具体示例中,实施例中采用如图2所示的52+96+110+96+52m的五跨四墩桥梁结构,结构材料参数记录于表一,其中监测通道包括点2,4,6,8,10的竖向加速度与点12,14,16,18的横向加速度,且分别对应图中监测仪器1-9,采样频率为200Hz。模拟数据集在高斯水平激励作用条件下采集,并加入5%的噪声模拟真实监测数据,用来测试发明人所提出方法的效果。
表一桥梁数值模型的截面及材料参数
对所提出的CLSTM网络在不同工况下进行训练测试,包括固定单通道缺失工况与随机单通道缺失工况。采用上述表一模拟的数据集进行验证。对于固定单通道缺失工况,假定图中监测仪器1-8为正常采集,而监测仪器9为缺失数据所在通道。
在上述固定单通道缺失的工况下,将监测仪器1-8的合成数据作为输入,监测仪器9的合成数据作为输出。总数据集为20000个数据向量,即采集时长为100s,训练集与测试集划分比例为4:1。
CLSTM在固定单通道缺失工况下,进行不同网络模型与不同单元数量的缺失数据重构效果研究,具体的细化工况见表二,其中ST表示利用通道间的时空相关性构建的网络,T表示利用缺失通道本身的时程关系构件的网络。不同网络模型及不同CLSTM网络参数均训练100个epoch,对应的训练损失过程图分别绘于图3和图4。可以看到CLSTM曲线下降速度较快,更快达到水平段,且最终损失值较低。说明本发明方法的训练收敛性能较好,在缺失数据重构效果更佳,在LSTM单元数量较少的情况下也可以获得较好的缺失数据重构效果。
将训练好的模型分别进行训练集与测试集验证,同时计算在归一化测试集上的MSE、MAE和R2评价指标(R2值越接近1表示真实值与估计值的线性程度越高,表明重构效果越好),并汇总于表三。相应的训练集与测试集的模拟值与估计值关系图(以工况1.7为例)见图5,图5左图为训练集的缺失数据重构结果图,图5有图为测试集的缺失数据重构结果图,用于评价训练模型的是否过拟合。可以看到CLSTM模型在训练集与测试集上的模拟值与估计值的线性程度均较高,仅需较少单元数量即可获得较高的重构效果;随着单元数量的增加,重构效果有所下降,结合图5可以发现单元数量的增加可能引起了过拟合;与LSTM与BiLSTM对比,CLSTM的重构效果更佳。
表二固定单通道缺失工况设置
注:ST-Spatial-temporal correlation;T-Temporal correlation
表三固定单通道缺失工况评价指标
对于随机单通道缺失工况,不同于固定单通道缺失工况的仅在固定某个通道中出现数据缺失现象,随机单通道缺失表现为:在每一时刻、任一通道均可能出现缺失现象(同一时刻仅一个通道出现缺失),训练时通过将缺失时刻对应通道的数据赋值为零,来模拟数据缺失现象。因此对于时程关系模型线路,输入数据可能出现多个数据缺失,这也增强了该工况的一般性。
同样的,选择不同的参数进行50个epoch训练,训练损失过程图绘于图6,将训练好的模型分别进行训练集与测试集验证,有同时计算在测试集上的R2评价指标(R2值越接近1表示真实值与估计值的线性程度越高,表明重构效果越好),并汇总于表四。相应的训练集与测试集的模拟值与估计值关系图(以工况2.7为例)见图7,图7左图为训练集的缺失数据重构结果图,图7右图为测试集的缺失数据重构结果图,可以看到CLSTM模型在训练集与测试集上的模拟值与估计值的线性程度均较高,所提出的方法仍具有不错的表现;由表四可以看出当时程模型考虑的历史时长越长时反而并没有取得更高的测试集R2评价指标,这是因为时程模型考虑的历史时长越长,该段历史数据中出现多次缺失数据的概率越大,导致输入出现更多零值,使得评价指标较差,但总体仍具有较好的重构效果。
表四随机单通道缺失工况评价指标
综合上述各实施例提供的一种面向工程结构的缺失数据重构方法,应用标准正态变换,逐一计算各通道数据的均值及标准差,然后使用标准正态变换方法对其进行归一化。标准正态变换能够将各通道的振动数据转换为服从标准正态分布;将目标数据集按照时程进行排序,提取无缺失部分作为数据子集,并划分成训练集与测试集;通过LSTM单元建立的时序模型神经网络,能够利用各通道间的时空相关性及通道本身的时间相关性,通过学习的关系模型将缺失通道数据重构。产生的有益效果包括:将标准正态变换作为数据预处理,因为标准正态变换可以将原始数据处理为服从标准正态分布的归一化信号,能够消除奇异样本数据及量纲影响。提出了运用含有多线路多层神经网络的LSTM单元模型,可用于训练缺失状态下工程结构数据或桥梁运营数据来实现不同缺失通道数据的重构,并且通过验证分析证明本发明对缺失数据的重构效果更准确。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的步骤、方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种步骤、方法所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (7)
1.一种面向工程结构的缺失数据重构方法,其特征在于,所述方法以下步骤:
采集获取工程结构各监测通道数据,利用标准正态变换逐一计算各通道数据的均值及标准差,并利用均值和标准差对各通道数据进行归一化;
将归一化处理后的数据进行时序排序,根据数据缺失开始出现位置提取无缺失通道数据,将无缺失通道数据划分为训练集和测试集;
根据各通道间的时空相关性及缺失数据通道本身的时间相关性,基于LSTM单元建立时序模型神经网络,利用训练集和测试集对训练完成后的时序模型神经网络进行验证,最终输入缺失通道数据进行重构。
2.根据权利要求1所述的面向工程结构的缺失数据重构方法,其特征在于,利用均值和标准差对各通道数据进行归一化,具体包括:将各通道数据分别与其对应通道的均值作差,并将作差结果除以对应通道的标准差。
3.根据权利要求1所述的面向工程结构的缺失数据重构方法,其特征在于,所述基于LSTM单元建立的时序模型神经网络包括表示缺失通道本身历史数据的缺失通道时程关系模型和表示各通道间时空关系的通道时空关系模型。
4.根据权利要求1所述的面向工程结构的缺失数据重构方法,其特征在于,在学习基于LSTM单元建立的时序模型神经网络的过程中采用的损失函数为均方误差值,并采用AdamOptimizer优化算法进行参数更新。
5.根据权利要求1所述的面向工程结构的缺失数据重构方法,其特征在于,完成学习后的时序模型神经网络对训练集和测试集进行缺失通道数据重构,将重构结果采用MSE、MAE及R2评价指标进行检验。
6.一种桥梁结构缺失数据重构方法,其特征在于,利用权利要求1-4任一项所述缺失数据重构方法进行桥梁结构缺失数据重构。
7.根据权利要求6所述的桥梁结构缺失数据重构方法,其特征在于,采集获取桥梁结构N个监测通道数据,缺失数据通道为N个监测通道中的任意一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206761.8A CN117454100A (zh) | 2023-09-19 | 2023-09-19 | 一种面向工程结构的缺失数据重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311206761.8A CN117454100A (zh) | 2023-09-19 | 2023-09-19 | 一种面向工程结构的缺失数据重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454100A true CN117454100A (zh) | 2024-01-26 |
Family
ID=89588192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311206761.8A Pending CN117454100A (zh) | 2023-09-19 | 2023-09-19 | 一种面向工程结构的缺失数据重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454100A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786417A (zh) * | 2024-02-28 | 2024-03-29 | 之江实验室 | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
-
2023
- 2023-09-19 CN CN202311206761.8A patent/CN117454100A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117786417A (zh) * | 2024-02-28 | 2024-03-29 | 之江实验室 | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
CN117786417B (zh) * | 2024-02-28 | 2024-05-10 | 之江实验室 | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
CN117454100A (zh) | 一种面向工程结构的缺失数据重构方法 | |
CN112884134B (zh) | 面向地震震相识别的基于时域的卷积神经网络模型及应用 | |
CN114152980B (zh) | 一种快速自动化产出震源机制解的方法与装置 | |
CN113822201B (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
CN114818817B (zh) | 一种电容式电压互感器微弱故障识别系统及方法 | |
CN114492642A (zh) | 一种多尺度元深度残差收缩网络的机械故障在线诊断方法 | |
CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN113609766B (zh) | 一种基于深度概率潜隐模型的软测量方法 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
CN115880505B (zh) | 一种目标边缘检测神经网络的低序级断层智能识别方法 | |
Pawlak et al. | Nonparametric sequential signal change detection under dependent noise | |
CN117009916A (zh) | 基于多传感器信息融合与迁移学习的促动器故障诊断方法 | |
CN116626753A (zh) | 一种基于多模态神经网络的微地震事件识别方法及系统 | |
CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN114266013A (zh) | 基于深度学习虚拟感知网络的传动系统振动解耦方法 | |
CN112860658A (zh) | 基于数据挖掘的高速列车电磁发射预测方法 | |
CN117192063B (zh) | 基于耦合卡尔曼滤波数据同化的水质预测方法及系统 | |
CN114199992B (zh) | 一种储油罐罐壁腐蚀检测方法及系统 | |
CN117033983B (zh) | 一种无人船自噪声检测识别方法及系统 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 |
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 |