CN119249073B 基于物理神经网络的建筑物健康监测与评估方法及系统 （江苏省建筑工程质量检测中心有限公司）_第1页
CN119249073B 基于物理神经网络的建筑物健康监测与评估方法及系统 （江苏省建筑工程质量检测中心有限公司）_第2页
CN119249073B 基于物理神经网络的建筑物健康监测与评估方法及系统 （江苏省建筑工程质量检测中心有限公司）_第3页
CN119249073B 基于物理神经网络的建筑物健康监测与评估方法及系统 （江苏省建筑工程质量检测中心有限公司）_第4页
CN119249073B 基于物理神经网络的建筑物健康监测与评估方法及系统 （江苏省建筑工程质量检测中心有限公司）_第5页
已阅读5页，还剩39页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于物理神经网络的建筑物健康监测与评本发明提出了一种基于物理神经网络的建2S2、对融合特征张量和预存储的物理模型参S3、基于结构状态特征向量和预存储的历史状态S4、读取并根据预警指标矩阵和优化参数向3列；2.根据权利要求1所述的基于物理神经网络的建筑物健康监测与评估方法，其特征在43.根据权利要求1所述的基于物理神经网络的建筑物健康监测与评估方法，其特征在4.根据权利要求1所述的基于物理神经网络的建筑物健康监测与评估方法，其特征在S212、基于预存储的物理模型参数集，通过55.根据权利要求1所述的基于物理神经网络的建筑物健康监测与评估方法，其特征在状态序列；所述存储器存储有可被所述处理器执行的指令，所述指令用于被所现权利要求1~5任一项所述的基于物理神经网络的建筑物健康6融合算法未考虑传感器空间分布的物理拓扑关系，造成局部监测数据之间的相关性损失；三是损伤诊断模型缺乏对结构动力学方程的约束，使得诊断结果与实际物理机理存在偏7保优化结果满足工程实际需求；有效解决了传统方法中存在的特征提取不符合物理规律、82dj9[0041]在本申请的一个实施例中，得到小波系数的过程具体为：W(a，b)=(1/sqrt2/2)]ReLU为整2]12π为圆02))=W2W2b2}1TKxTKx2[0095]在本申请的另一个实施例中，多步预测结果的优化算法具体为：构建预测函数Pf2_预测状态序列；2rm2i[0113]在本申请的另一个实施例中，强化学习算法的过程具体为：构建动作价值函数Q[0116]本实施例构建了完整的多层次决策支持系统。主成分分析方法提取关键预警指[0118]S411、将预警指标矩阵W输入特征重要性模块，通过随机森林算法计算指标贡献Tg+_=_i)2)1/20[0135]本实施例实现了复杂的多目标优化决策。拉格朗日松弛法对方案可行性进行验

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论