买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京邮电大学

摘要：本发明公开了一种基于稀疏阵列大尺度结构损伤监测与评估方法，包括：将未知样本输入SVM损伤方位判定模型中，输出该未知样本的损伤方位；将未知样本输入SVM损伤程度跟踪判定模型中，输出该未知样本的损伤程度。从信号的多特征参数方面进行分析，提取损伤方位和损伤程度，通过提取多特征参数的方式弥补稀疏阵列信息量少、难以辨识损伤的问题。借助机器学习的分类算法，实现对大尺度板状结构断层损伤方位和后续损伤程度的跟踪评估的辨识模型。

主权项：1.一种基于稀疏阵列大尺度结构损伤监测与评估方法，其特征在于，包括：将未知样本输入SVM损伤方位判定模型中，输出该未知样本的损伤方位；将未知样本输入SVM损伤程度跟踪判定模型中，输出该未知样本的损伤程度；其中，建立SVM损伤方位判定模型，包括：将稀疏压电传感阵列周边范围划分为L个区域，L为正整数；基于支持向量机建立SVM损伤方位判定初始模型；将训练集中包括多位置信号对比的特征值信息的训练样本输入SVM损伤方位判定初始模型中进行训练，获得SVM损伤方位判定模型： 式中，训练集中共计有N个训练样本x1，y1，...，xN，yN，i∈{1，2，…N}，j∈[1，L]，k∈[2，L]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φxi表示将xi映射到高维空间，上边界c0；通过决策函数评估训练样本是属于第j个区域的样本还是属于第k个区域；决策函数为：fjkx＝sgnwjk·φxi+bjk，式中，将测试集中样本和训练集中训练样本打乱分为若干组，并输入SVM损伤方位判定模型中进行交叉验证，若SVM损伤方位判定模型预测的区域和实际所属区域相同则表示训练结果正确，否则表示训练结果错误；计算SVM损伤方位判定模型预测的区域的正确率，若正确率高于设定的阈值，则表示训练合格，否则重复上述步骤重新训练SVM损伤方位判定模型；其中，建立SVM损伤程度跟踪判定模型，包括：建立SVM损伤程度跟踪判定初始模型；将损伤程度按照严重程度划分为A个范围；将训练集中包括时域特征值、频域特征值和时频域特征值信息的训练样本输入SVM损伤程度跟踪判定初始模型中进行训练，获得SVM损伤程度跟踪判定模型： 式中，训练集中共计有N个训练样本x1，y1，...，xN，yN，i∈{1，2，…N}，j∈[1，A]，k∈[2，A]，wjk为区分属于第j个区域的训练样本和属于第k个区域的训练样本的支持向量机的权重向量；bjk为支持向量机的偏值；为属于第j个区域的训练样本和属于第k个区域的训练样本的SVM松弛变量；φxi表示将xi映射到高维空间，上边界c0；通过决策函数评估输入的训练样本是属于第j个区域的样本还是属于第k个区域；决策函数为：fjkx＝sgnwjk·φxi+bjk，式中，

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于稀疏阵列大尺度结构损伤监测与评估方法