为合理有效利用桥梁结构健康监测长期监测数据,提高桥梁损伤识别的精度,将长短时记忆递归网络(Long Short Term Memory,LSTM)引入桥梁健康监测领域,对LSTM在结构损伤识别的应用可行性及可靠性进行分析,提出了基于LSTM的桥梁结构损伤识...为合理有效利用桥梁结构健康监测长期监测数据,提高桥梁损伤识别的精度,将长短时记忆递归网络(Long Short Term Memory,LSTM)引入桥梁健康监测领域,对LSTM在结构损伤识别的应用可行性及可靠性进行分析,提出了基于LSTM的桥梁结构损伤识别方法,通过直接提取桥梁动态测试时程数据中的特征实现结构的损伤识别;进而采用IABMAS BHM Benchmark模型试验和卡塔尔大学看台结构来验证所提方法的可行性,并探讨数据集大小、测试噪声对损伤识别结果的影响。结果表明,随着测试噪声的增加和训练集规模的下降,模型识别准确率逐步下降,但是所提模型在小样本强噪声条件下的识别准确率依然可以达到87.3%,满足实际桥梁结构健康监测精度需求。展开更多
在大数据规模下,基于深度学习的语音识别技术已经相当成熟,但在小样本资源下,由于特征信息的关联性有限,模型的上下文信息建模能力不足从而导致识别率不高。针对此问题,提出了一种嵌入注意力机制层(Attention Mechanism)的时延神经网络(...在大数据规模下,基于深度学习的语音识别技术已经相当成熟,但在小样本资源下,由于特征信息的关联性有限,模型的上下文信息建模能力不足从而导致识别率不高。针对此问题,提出了一种嵌入注意力机制层(Attention Mechanism)的时延神经网络(Time Delay Neural Network,TDNN)结合长短时记忆递归(Long Short Term Memory,LSTM)神经网络的时序预测声学模型,即TLSTM-Attention,有效地融合了具有重要信息的粗细粒度特征以提高上下文信息建模能力。通过速度扰动技术扩增数据,结合说话人声道信息特征以及无词格最大互信息训练准则,选取不同输入特征、模型结构及节点个数进行对比实验。实验结果表明,该模型相比于基线模型,词错误率降低了3.37个百分点。展开更多
文摘为合理有效利用桥梁结构健康监测长期监测数据,提高桥梁损伤识别的精度,将长短时记忆递归网络(Long Short Term Memory,LSTM)引入桥梁健康监测领域,对LSTM在结构损伤识别的应用可行性及可靠性进行分析,提出了基于LSTM的桥梁结构损伤识别方法,通过直接提取桥梁动态测试时程数据中的特征实现结构的损伤识别;进而采用IABMAS BHM Benchmark模型试验和卡塔尔大学看台结构来验证所提方法的可行性,并探讨数据集大小、测试噪声对损伤识别结果的影响。结果表明,随着测试噪声的增加和训练集规模的下降,模型识别准确率逐步下降,但是所提模型在小样本强噪声条件下的识别准确率依然可以达到87.3%,满足实际桥梁结构健康监测精度需求。
文摘在大数据规模下,基于深度学习的语音识别技术已经相当成熟,但在小样本资源下,由于特征信息的关联性有限,模型的上下文信息建模能力不足从而导致识别率不高。针对此问题,提出了一种嵌入注意力机制层(Attention Mechanism)的时延神经网络(Time Delay Neural Network,TDNN)结合长短时记忆递归(Long Short Term Memory,LSTM)神经网络的时序预测声学模型,即TLSTM-Attention,有效地融合了具有重要信息的粗细粒度特征以提高上下文信息建模能力。通过速度扰动技术扩增数据,结合说话人声道信息特征以及无词格最大互信息训练准则,选取不同输入特征、模型结构及节点个数进行对比实验。实验结果表明,该模型相比于基线模型,词错误率降低了3.37个百分点。
