《表2 统计模式识别模型的理论输出与实际输出对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络和递归图的桥梁损伤智能识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

首先研究将小波包频带能量作为损伤特征向量的传统识别方法的精度．对上述滤波后的时域信号采用4层小波包变换得到16个频带能量，取在不同损伤工况下变化率较大的15个频带能量序列作为损伤特征向量．前4种损伤工况的典型频谱能量序列如图5所示．可以看出频带能量对不同位置的损伤比较敏感，但在表征同一位置上不同程度损伤的差异方面能力偏低．以小波包频带能量为损伤特征，采用Bayesian网络、BP神经网络、K-means聚类和支持向量机等4种传统统计模式识别方法进行桥梁损伤识别．选取10种工况下的100组特征数据作为训练集，分别对Bayesian网络、支持向量机和BP神经网络进行训练．将Bayesian网络的先验概率设为均匀分布，即各工况数目占总分类样本的比例为该工况的先验概率．将支持向量机的计算目标定为1.0×10-5，计算速率选择为0.001.BP神经网络设置的参数如下:训练函数为traincgb，学习函数为learngdm，最大训练次数为1 000，训练目标为0.005，学习速率为0.01，隐含层神经元个数为31．各选取10种工况下的10组特征数据作为测试集检验模型的分类能力，然后将上述测试集进行分类．结果如表2所示，4种模型的分类正确率参见表3.