-
题名基于数据融合及残差卷积自编码器的结构损伤识别方法
被引量：8
- 1
-
-
作者
刘玉驰
蒋玉峰
王树青
马春可
-
机构
中国海洋大学工程学院
-
出处
《振动与冲击》
EI
CSCD
北大核心
2023年第4期194-203,共10页
-
基金
国家重点研发计划(2019YFC0312404)
山东省重大科技创新工程项目(2019JZZY010820)
国家杰出青年科学基金项目(51625902)。
-
文摘
深海混输立管作业期间持续遭受外部风浪流耦合荷载及内部矿液两相流体磨蚀作用,长期作用下结构损伤逐渐积累。立管结构呈高长细比、柔性状态,传统结构损伤识别过程中存在模态参数识别困难、单测点响应损伤敏感度低等诸多问题。针对上述问题,该研究提出了基于数据融合及一维残差卷积自编码器(one dimension residual convolution autoencoder, 1D-RCAE)的深海混输立管结构损伤识别方法,以结构损伤敏感的应变动态响应为输入,使用主成分分析(principal component analysis, PCA)进行多测点应变响应特征融合,进一步利用1D-RCAE自动提取损伤敏感特征,以结构损伤前后敏感特征间的马氏距离构建结构损伤判定指标,实现混输立管结构健康状态监测。通过500 m深海混输立管结构数值模拟和立管物理缩尺模型试验对该研究提出的方法进行验证,结果表明,有限测量信息下能够有效实现深海混输立管结构损伤识别,其中数值模拟验证损伤识别准确率高于99%,物理模型验证损伤识别准确率高于98%。同时探究了噪声污染、海洋环境因素变化对该研究提出方法损伤识别性能的影响规律。
-
关键词
深海混输立管
结构损伤识别
一维残差卷积自编码器(1D-RCAE)
主成分分析(PCA)
数据融合
-
Keywords
deep-sea mining riser
structural damage identification
one dimensional residual convolutional auto-encoder(1D-RCAE)
principal component analysis(PCA)
data fusion
-
分类号
TU317
[建筑科学—结构工程]
-
-
题名基于改进Informer的云计算资源负载预测
被引量：5
- 2
-
-
作者
李浩阳
贺小伟
王宾
吴昊
尤琪
-
机构
西北大学网络和数据中心
西北大学信息科学与技术学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2024年第2期43-50,共8页
-
基金
国家重点研发计划(2019YFC1521100)。
-
文摘
负载预测是云计算资源管理中的重要组成部分,准确预测云资源的使用情况可提高云平台性能及防止资源浪费,然而云计算资源使用的动态性和不确定性使得负载预测较为困难,尽管Informer在时序预测领域取得了较好的效果,但未对时间的因果依赖关系加以限制造成未来信息泄露,也未考虑网络深度的增加导致模型性能下降的问题。为解决上述问题,提出一种基于改进Informer的多步负载预测模型(Informer-DCR)。将编码器中各注意力块之间的正则卷积替换为扩张因果卷积,使深层网络中的高层能够接收更大范围的输入信息来提高模型预测精度,并保证时序预测过程的因果性。在编码器中添加残差连接,使网络中低层的输入信息直接传到后续的高层,解决了深层网络退化问题。实验结果表明,Informer-DCR模型在不同预测步长下的平均绝对误差比Informer、时间卷积网络等主流预测模型降低了8.4%~40.0%,并且在训练过程中表现出比Informer更好的收敛性。
-
关键词
云计算
负载预测
Informer模型
扩张因果卷积
残差连接
-
Keywords
cloud computing
load prediction
Informer model
dilated casual convolution
residual connection
-
分类号
TP393.09
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习的水平非均匀蒸发波导反演方法研究
- 3
-
-
作者
吴佳静
张金鹏
张玉石
魏志强
-
机构
中国电波传播研究所电波环境特性及模化技术重点实验室
中国海洋大学
-
出处
《电波科学学报》
CSCD
北大核心
2023年第4期665-672,共8页
-
基金
国家自然科学基金(U2006207)。
-
文摘
水平非均匀蒸发波导是一种异常的大气结构,在海上出现的概率高,对海上低空雷达具有较强的电磁捕获能力.然而,海上低空蒸发波导修正折射率剖面反演过程中由于水平方向剖面参数的非均匀变化,导致在实际的海洋环境中产生较大的反演复杂度和误差.为解决上述问题,首先提出了一维残差扩张因果卷积自编码器(one-dimensional residual dilated causal convolutional autoencoder,1D-RDCAE)网络实现低自由度的非均匀蒸发波导剖面建模,其次提出了多尺度卷积残差网络(multi-scale convolutional attention residual network,MSCA-ResNet)框架来实现水平非均匀蒸发波导剖面反演.为验证建模模型的有效性,在模拟海杂波功率数据集上验证降维模型的有效性,实验结果表明,基于1D-RDCAE比基于主分量分析法、堆栈自动编码器和一维卷积自动编码器降维重构后更接近原始数据,并且在模型训练过程中收敛速度更快.为了验证反演模型的有效性,在模拟的海杂波和实测海杂波数据上进行了测试,结果表明基于仿真海杂波和实测海杂波数据分别可实现蒸发波导高度反演准确率为96.98%和91.25%,优于目前典型的反演方法.本文提出的基于深度学习的水平非均匀蒸发波导反演方法具有模型反演效率高、模型复杂度低、反演误差小的特点,为海上反常传播环境实时高精度认知提供了新技术.
-
关键词
海杂波
蒸发波导
水平非均匀
深度学习
反演
主分量分析(PCA)法
一维残差扩张因果卷积自编码器
多尺度卷积残差网络
-
Keywords
sea clutter
evaporation duct
range direction inhomogeneous
deep learning
inversion
principal component analysis(PCA)
one-dimensional residual dilated causal convolutional autoencoder
multi-scale convolutional residual network
-
分类号
TN011
[电子电信—物理电子学]
P732
[天文地球—海洋科学]
-
