摘要:泛函回聲狀態(tài)網(wǎng)絡(luò)(Functional Echo State Network,F(xiàn)ESN)能夠?qū)r(shí)間序列分類問(wèn)題,具有分類效果好的優(yōu)勢(shì)?;趯?shí)時(shí)監(jiān)測(cè)的結(jié)構(gòu)狀態(tài)分析問(wèn)題,是典型的多變量、大數(shù)據(jù)集的時(shí)間序列分類問(wèn)題,于是本文將泛函回聲狀態(tài)網(wǎng)絡(luò)擴(kuò)展至結(jié)構(gòu)狀態(tài)分析領(lǐng)域。利用Bookshelf框架模型試驗(yàn),驗(yàn)證了FESN方法在結(jié)構(gòu)損傷識(shí)別準(zhǔn)確率方面的優(yōu)勢(shì)。
關(guān)鍵詞:泛函回聲狀態(tài)網(wǎng)絡(luò);時(shí)間序列;遺傳算法;損傷識(shí)別
中圖分類號(hào):
1 引言
泛函回聲狀態(tài)網(wǎng)絡(luò)(FESN)是已經(jīng)成功應(yīng)用于單變量時(shí)間序列分類的一種方法。FESN的工作就是將頻率分析方法加進(jìn)了回聲狀態(tài)網(wǎng)絡(luò)[1](ESN)中,作為一種回聲狀態(tài)網(wǎng)絡(luò)在時(shí)間序列分類的問(wèn)題上研究探索。在公開(kāi)的UCR數(shù)據(jù)集上,F(xiàn)ESN分類方法不錯(cuò),但未應(yīng)用在多變量時(shí)間序列分類的問(wèn)題上,這就值得繼續(xù)探索。對(duì)于實(shí)時(shí)監(jiān)測(cè)的結(jié)構(gòu)狀態(tài)數(shù)據(jù),是典型的多變量時(shí)間序列分類問(wèn)題,于是本研究把每一時(shí)刻的所有傳感器的實(shí)時(shí)監(jiān)測(cè)結(jié)構(gòu)狀態(tài)數(shù)據(jù)作為一次輸入,依據(jù)周期進(jìn)行切分,形成若干條時(shí)間序列數(shù)據(jù),最后用FESN對(duì)其進(jìn)行分類。
2 FESN的分類方法
2.1 FESN的分類原理
ESN作為一種新型的遞歸神經(jīng)網(wǎng)絡(luò)[2](Recurrent Neural Network,RNN),可以有效的處理時(shí)間序列的時(shí)間依賴性,且具有較高的非線性映射能力和動(dòng)態(tài)記憶。FESN作為一種新的ESN方法,其相較于ESN,主要是在輸出層引入了時(shí)空聚合算子[3]。FESN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1,主要由輸入層,儲(chǔ)備池,輸出層組成,其核心結(jié)構(gòu)是一個(gè)隨機(jī)生成的、大規(guī)模的、稀疏的且保持不變的儲(chǔ)備池。FESN的基本思想是在輸出層引入了時(shí)空聚合算子,用隨時(shí)間變化的動(dòng)態(tài)權(quán)值替代ESN中的靜態(tài)權(quán)值,對(duì)時(shí)變輸入信號(hào)先進(jìn)行時(shí)間加權(quán)聚合,然后再考慮這些時(shí)間累積效應(yīng)的空間聚合作用,最后將其結(jié)果投射為離散的類標(biāo)簽[4]。
準(zhǔn)確率公式為:準(zhǔn)確率=1-錯(cuò)誤率,傳統(tǒng)的SVM損失識(shí)別方法對(duì)于Bookshelf框架結(jié)構(gòu)的準(zhǔn)確率為58.42%,LSTM損失識(shí)別方法對(duì)于Bookshelf框架結(jié)構(gòu)的準(zhǔn)確率為84.63%,由結(jié)構(gòu)損傷識(shí)別方法性能對(duì)比實(shí)驗(yàn)結(jié)果可知,傳統(tǒng)的SVM損傷識(shí)別方法的準(zhǔn)確率最低,F(xiàn)ESN模型的結(jié)構(gòu)損傷識(shí)別方法的準(zhǔn)確率最高?;贔ESN的結(jié)構(gòu)損傷識(shí)別模型相較于基于SVM的結(jié)構(gòu)損傷識(shí)別方法在準(zhǔn)確率評(píng)價(jià)指標(biāo)上提升了40%。
4 結(jié)語(yǔ)
綜上所述,本研究基于FESN模型進(jìn)行結(jié)構(gòu)損傷識(shí)別,并在公開(kāi)數(shù)據(jù)集Bookself進(jìn)行了實(shí)驗(yàn),與傳統(tǒng)SVM方法以及LSTM方法進(jìn)行了對(duì)比,實(shí)驗(yàn)結(jié)果表明,F(xiàn)ESN損傷識(shí)別方法的準(zhǔn)確率最高。
參考文獻(xiàn):
[1]Partha Pratim Barman, Abhijit Boruah. A RNN based Approach for next word prediction in Assamese Phonetic Transcription[J]. Procedia Computer Science,2018,143.
[2]Jaeger, H. Harnessing Nonlinearity: Predicting Chaotic Systems and Saving Energy in Wireless Communication[J]. Science, 2004, 304(5667):78-80.
[3]Ma Q, Shen L, Chen W, et al. Functional Echo State Network for Time Series Classification[J]. Information Sciences, 2016, 373:1-20.
[4]Jiang M , Liang Y , Feng X , et al. Text classification based on deep belief network and softmax regression[J]. Neural Computing and Applications, 2016.
[5]Wu J, Jin L, Liu M. Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm[J]. Neurocomputing, 2015, 148(2):136-142.
基金項(xiàng)目:校級(jí)技術(shù)創(chuàng)新專項(xiàng)課題“基于聯(lián)合神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別”階段性成果(CQRKZX2020003)
作者簡(jiǎn)介:何盈盈(1994年8月),女,重慶市涪陵區(qū),碩士,無(wú),研究方向:結(jié)構(gòu)健康監(jiān)測(cè)及人工智能。