深度神经网络在EMD虚假分量识别中的应用.pdf

深度神经网络在EMD虚假分量识别中的应用 在现代建筑结构健康监测中，无线智能传感器结合云平台已经成为一种常见的技术手段，它们可以实时、长期地监控建筑物的健康状况。模态识别作为结构健康监测的关键步骤，对于评估建筑的安全性和耐久性至关重要。希尔伯特黄变换（HHT）作为一种强大的非线性非平稳信号分析工具，因其自适应性强、能有效处理复杂信号的特点，在模态分析领域得到了广泛应用。 HHT主要由两个步骤组成：经验模态分解（EMD）和希尔伯特谱分析（HSA）。EMD将原始信号分解为一系列内在模态函数（IMFs），这些IMFs理论上代表了信号的不同频率成分。然而，EMD过程中可能出现虚假IMF分量，它们并非真实反映信号的物理特性，而是由于数据噪声或者处理过程中的计算误差导致的。传统的处理方法依赖于研究人员的主观判断来识别并剔除这些虚假分量，这在长期监测的自动化过程中存在明显局限性。 为了克服这一问题，文章提出了一种基于深度神经网络（DNN）和K-L散度的新算法。深度神经网络是一种强大的机器学习模型，它通过多层非线性变换学习数据的复杂表示，具有高度的模式识别能力。在本文中，DNN被用来自动识别EMD分解后的IMF分量，区分真实与虚假IMF。K-L散度则作为一个衡量两个概率分布之间差异的度量，用于评估IMF分量的相似性或一致性。 具体实施中，首先通过EMD对原始信号进行分解，得到多个IMF分量。然后，DNN模型被训练来学习真实IMF与虚假IMF的特征差异。这个模型的输入是IMF分量，输出是对应的真假标签。通过大量的训练样本，DNN可以学习到区分真假IMF的规律，并在新的数据上进行预测。同时，K-L散度被用作损失函数的一部分，帮助优化网络权重，使得网络更倾向于识别出与真实IMF分布更接近的分量。 这种方法的优势在于，它能够自动化识别并剔除虚假IMF，无需人工干预，提高了模态识别的效率和准确性。此外，DNN的泛化能力使其能够适应各种不同的结构监测数据，而K-L散度的引入则确保了识别过程的客观性。这种基于深度学习的方法对于实现结构健康监测的自动化和智能化具有重要意义，有助于提升建筑安全监测的可靠性和效率。 这篇研究展示了深度神经网络在处理复杂工程问题上的潜力，特别是在EMD虚假分量识别中的应用。未来，该方法可能进一步拓展到其他领域，如声学、振动分析、环境监测等，为更多非线性非平稳信号的分析提供有效工具。同时，这也提示我们，结合先进的数据建模和机器学习技术，可以解决传统方法在面对复杂数据时面临的挑战。