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。