摘要:泛函回聲狀態網絡(Functional Echo State Network,FESN)能夠對時間序列分類問題,具有分類效果好的優勢?;趯崟r監測的結構狀態分析問題,是典型的多變量、大數據集的時間序列分類問題,于是本文將泛函回聲狀態網絡擴展至結構狀態分析領域。利用Bookshelf框架模型試驗,驗證了FESN方法在結構損傷識別準確率方面的優勢。
關鍵詞:泛函回聲狀態網絡;時間序列;遺傳算法;損傷識別
中圖分類號:
1 引言
泛函回聲狀態網絡(FESN)是已經成功應用于單變量時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了回聲狀態網絡[1](ESN)中,作為一種回聲狀態網絡在時間序列分類的問題上研究探索。在公開的UCR數據集上,FESN分類方法不錯,但未應用在多變量時間序列分類的問題上,這就值得繼續探索。對于實時監測的結構狀態數據,是典型的多變量時間序列分類問題,于是本研究把每一時刻的所有傳感器的實時監測結構狀態數據作為一次輸入,依據周期進行切分,形成若干條時間序列數據,最后用FESN對其進行分類。
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網絡[2](Recurrent Neural Network,RNN),可以有效的處理時間序列的時間依賴性,且具有較高的非線性映射能力和動態記憶。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空聚合算子[3]。FESN的網絡結構如圖1,主要由輸入層,儲備池,輸出層組成,其核心結構是一個隨機生成的、大規模的、稀疏的且保持不變的儲備池。FESN的基本思想是在輸出層引入了時空聚合算子,用隨時間變化的動態權值替代ESN中的靜態權值,對時變輸入信號先進行時間加權聚合,然后再考慮這些時間累積效應的空間聚合作用,最后將其結果投射為離散的類標簽[4]。
準確率公式為:準確率=1-錯誤率,傳統的SVM損失識別方法對于Bookshelf框架結構的準確率為58.42%,LSTM損失識別方法對于Bookshelf框架結構的準確率為84.63%,由結構損傷識別方法性能對比實驗結果可知,傳統的SVM損傷識別方法的準確率最低,FESN模型的結構損傷識別方法的準確率最高?;贔ESN的結構損傷識別模型相較于基于SVM的結構損傷識別方法在準確率評價指標上提升了40%。
4 結語
綜上所述,本研究基于FESN模型進行結構損傷識別,并在公開數據集Bookself進行了實驗,與傳統SVM方法以及LSTM方法進行了對比,實驗結果表明,FESN損傷識別方法的準確率最高。
參考文獻:
[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.
基金項目:校級技術創新專項課題“基于聯合神經網絡的結構損傷識別”階段性成果(CQRKZX2020003)
作者簡介:何盈盈(1994年8月),女,重慶市涪陵區,碩士,無,研究方向:結構健康監測及人工智能。