龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：北京航空航天大学
申请日：2020-06-26
公开（公告）日：2022-06-14
公开（公告）号：CN111783336B
主分类号：G06F30/23
分类号：G06F30/23;G06F30/27;G06K9/62;G06N3/04
优先权：
专利状态码：失效-未缴年费专利权终止
法律状态：2024.06.25#未缴年费专利权终止;2022.06.14#授权;2020.11.03#实质审查的生效;2020.10.16#公开
摘要：本发明公开一种基于深度学习理论的不确定性结构频响动力学模型修正方法。包括不确定性参数影响下的结构频率响应不确定性分析，通过深度卷积神经网络构建不确定性逆向传递关系，利用深度学习原理实现不确定性参数的概率分布估计。本发明结合深度学习原理在复杂输入特征分析方面的优势，利用深度卷积神经网络对含有不确定性分布特征的频响数据进行特征分析和特征提取。此外，本发明利用不确定性频响数据条件分布概率和待修正参数的先验概率，求解待修正参数的条件概率分布，最终得到了不确定性参数的分布，避免了人工进行频响不确定性量化和特征提取带来的误差，提高了考虑不确定性的频响动力学模型修正的准确度。
主权项：1.一种基于深度学习的不确定性结构频响动力学模型修正方法，其特征包括以下步骤：1将不确定性频响数据转化为多通道图像作为深度卷积神经网络的输入：在不确定性参数影响下，结构的动力学输出频率响应也呈现出不确定性分布，将不确定的频响数据转化为多通道的频响图像，作为深度卷积神经网络的输入，利用深度卷积神经网络进行不确定性分析和特征提取；2待修正参数的不确定性分析：统计待修正参数的概率分布特点，将其作为训练样本的标签值即网络输出结果，训练过程中，为了求解待修正参数的条件分布特征，利用不确定性频响数据和待修正参数的先验分布求解待修正参数的后验概率；3深度学习网络的搭建：网络分为不确定性分析特征提取模块和频响特征提取模块，分别从不确定性样本分布维度和频响数据振动特征维度对输入数据进行特征提取；最后，将提取到的特征通过输出层映射到样本标签值空间；4不确定性逆向传递关系的构建：利用深度卷积神经网络构建频响数据到待修正参数的逆向映射关系，由实验测量不确定性的频响数据输入训练好的网络，则可以直接求解出待修正参数的分布情况，避免了对频响数据的人工特征提取和不确定性量化带来的精度损失。
全文数据：
权利要求：
百度查询： 北京航空航天大学 一种基于深度学习理论的不确定性结构频响动力学模型修正方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号