深度神经网络在EMD虚假分量识别中的应用

摘要：

无线智能传感器结合云平台可以实现建筑结构的长期健康监测,模态识别是结构健康监测的重要内容.希尔伯特黄变换(Hilbert-Huang Transform,HHT)因其适用于非线性非平稳信号,且具有完全自适应性等特点,在模态识别领域中被广泛应用.与实验室中进行结构模态参数识别不同的是,长期监测中模态参数识别的算法不能出现主观的参数选择过程,而传统HHT的第一步经验模态分解(Empirical Mode Decomposition,EMD)会产生虚假的固有模态函数(Intrinsic Mode Function,IMF)分量,对虚假分量的识别与剔除往往依赖研究人员的主观判断.该文提出了一种基于深度神经网络(Deep Neural Networks,DNN)与K-L散度(Kullback-Leibler Divergence,K-L Divergence)的新算法,可以自动化识别并剔除EMD产生的虚假分量,从而使得EMD后得到的固有模态函数均为真实分量.

关键词：结构健康监测、自动化模态参数识别、DNN、HHT、EMD、K-L Divergence

所属期刊栏目：38

分类号：TP183(自动化基础理论)

资助基金：国家重点研发计划2017YFC1500606-01

在线出版日期：2021-07-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：195-201