CN119475000A 一种基于物理融合深度学习的非线性模态数据驱动识别方法 （宁波东方理工大学(暂名)）_第1页
CN119475000A 一种基于物理融合深度学习的非线性模态数据驱动识别方法 （宁波东方理工大学(暂名)）_第2页
CN119475000A 一种基于物理融合深度学习的非线性模态数据驱动识别方法 （宁波东方理工大学(暂名)）_第3页
CN119475000A 一种基于物理融合深度学习的非线性模态数据驱动识别方法 （宁波东方理工大学(暂名)）_第4页
CN119475000A 一种基于物理融合深度学习的非线性模态数据驱动识别方法 （宁波东方理工大学(暂名)）_第5页
已阅读5页，还剩15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

一种基于物理融合深度学习的非线性模态本发明提供一种基于物理融合深度学习的则模态的定义，确保了识别过程的物理可解释22.根据权利要求1所述的一种基于物理融合深度学习的非线性模态数据驱动识别方S21:通过编码器y(2)将位移x和速度y响应分解为模态空间的位移p和速度q响S22:通过解码器(-t)将模态空间的位移p和速度a响应重构回原始状态空间，从而构S23:在模态空间中，通过动力学编码器0根据位移p(t)和速度a(t)进行时间演化推S24:通过动力学解码器将步骤S23中潜在;;;S26:将步骤S25中得到的相应损失函数和神经网络权重通过常规反向传播算法计算模3.根据权利要求1所述的一种基于物理融合深度学习的非线性模态数据驱动识别方4.根据权利要求3所述的一种基于物理融合深度学习的非线性模态数据驱动识别方3;;。5.根据权利要求1所述的一种基于物理融合深度学习的非线性模态数据驱动识别方4[0002]非线性模态识别在工程和科学研究有着广泛的应用。常用的方法有Koopman算子但它们在普遍适用性和物理解释的清晰度上存在局限。Koopman算子方法中构建有限维近[0003]本发明的目的在于提供一种基于物理融合深度学习的非线性模态数据驱动识别S21:通过编码器y(2)将位移x和速度y响应分解为模态空间的位移p和速度q响S22:通过解码器(-t)将模态空间的位移p和速度a响应重构回原始状态空间，从S24:通过动力学解码器将步骤S23中潜在;5;;;S26:将步骤S25中得到的相应损失函数和神经网络权重通过常规反向传播算法计6;;。S21:通过编码器y(2)将位移x和速度y响应分解为模态空间的位移p和速度q响S22:通过解码器(-t)将模态空间的位移p和速度a响应重构回原始状态空间，从S24:通过动力学解码器将步骤S23中潜在7;;;模态空间的位移和速度的动力学关系，动力编码器损失函数1和动力编码器损失函数2分别量化了模态空间时间演化下编码器中的损失，以确保模态空间的演化与系统响应一[0019]S26:将步骤S25中得到的相应损失函数和神经网络权重模型参数通过常规反向传习框架通过v=p(z)将系统当前响应状态编码为潜在的模态响应坐标，随后然后通过数为,其中a为各项损失函数的权重，yrwe、yew、89

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