颤振试验研究特征提取方法基于EMD和CNN

文摘

由于不可避免的理论计算和物理实验的结果之间的偏差,颤振试验和颤振信号分析常常扮演重要角色在设计新飞机的空气弹性。测量结构响应从气动弹性模型风洞试验和实际斗争颤振测试包含丰富的结构信息,但是传统的方法往往关注的特征提取的能力有限。受到深度学习的概念,一种新的特征提取方法建立了颤振信号分析在这项研究通过结合卷积神经网络(CNN)的经验模态分解(EMD)。人们普遍猜测,当发生颤振时,测量结构时域信号谐波或发散,而颤振模态(1)是单数,(2)其在频域能量会显著上升。被测信号特征提取和颤振标准框架构建。风洞试验的测量信号是手动标记“颤动”和“不”作为基本数据集的深度学习算法。归一化预处理后,固有模式函数(货币)的颤振测试信号通过EMD方法。imf的然后重塑,使它们适合的大小是CNN的输入。CNN参数优化虽然训练数据集,并通过测试数据集训练模型验证(即。交叉验证)。该方法的准确率达到100%的测试数据集。 The training model appears to effectively distinguish whether or not the structural response signal contains flutter. The combination of EMD and CNN provides effective feature extraction of time series signals in flutter test data. This research explores the connection between structural response signals and flutter from the perspective of artificial intelligence. The method allows for real-time, online prediction with low computational complexity.

1。介绍

颤振是一种破坏性的气动弹性耦合产生的不稳定的空气动力学,惯性和弹性力的弹性结构气动弹性系统。重要的是要澄清气动弹性系统的颤振特性通过结构响应信号成功地完成一个安全有效的飞机设计。固有的局限性给实际的测试环境和条件,测量结构响应信号低质量,低信噪比、模态密度、非平稳过程特点,短窗口效果。结构响应信号和颤振标准进行调查研究中从信号分析的角度基于深度学习算法和经验模态分解(EMD)方法,以解决这些问题。

最常用的湿预测颤振信号处理方法,在系统稳定性评估考虑颤振不稳定现象和建立一个适当的动态数据模型为亚临界测试信号。至少一个模态的阻尼因子变得零颤振发生时,所以的颤振发生时可以被推断预测阻尼因子观察到不同的亚临界速度1]。翼缘齐默尔曼和韦森伯提出的方法2)使用丰富的标准来确定系统的稳定性条件;极限点信息然后通过抽样数据,然后一个二阶方程描述了颤振幅度之间的关系和动态压力。价格和李3]潜浮性能有效地分析了颤振的一个系统,但计算非常复杂,预测误差增加的分析(4]。同样,松崎和安藤[5)建立了一个autoegressive移动平均模型(ARMA)使用差分方程模型。自回归项系数是通过系统识别后,陪审团标准是用于确定系统的稳定性。然而,对于预测的目的,这种方法不适合测试数据时,在亚临界区域(6]。

活塞理论提出了阿什利和Zartarian7)和已经被许多研究者应用作为一个空气动力学模型(8,9]。甘吉et al。10]指出传统活塞理论的限制在低超音速马赫数和发展一种改进活塞理论分析单自由度颤振的面板。库珀et al。11)开发了一个法官系统稳定性的包络函数方法根据脉冲响应的形状参数弱化信封;他们的方法可以用来预测颤振速度由形状参数外推计算在不同亚临界速度。库珀et al。12)还开发了一个基于网络的在线包络函数方法差分方程。然而,这种方法需要大量的时间收敛于一个稳定的估计,在线效率低。

上述方法根据系统的稳定性被广泛使用在实际工程实践中,但他们有明显的缺点13]。例如,模型建立的准确性很大程度上取决于各种因素包括低信噪比被测信号和非平稳的结构响应过程。传统的方法不能满足现代的需求结构(模态)时变飞机设计。人工智能的发展取得了人工神经网络具有较强的特征提取能力。结合人工智能与传统颤振信号处理是一个有前途的潜在方法高效的飞机设计。介绍了一种数据驱动的深度学习的颤振特征提取方法从结构气动弹性模型的响应信号。

近年来计算能力有了较大的改善,导致新的创新技术在许多领域。歌等。14)提出了一个新颖的multipopulation平行共同进化的微分进化优化光伏模型的参数,提高太阳能的转换效率。邓et al。15)结合五个突变策略利用各自优势在优化一个微分进化算法。在深度学习,一个量子激发微分进化算法(所16)有更好的全局搜索能力是为了更新深度信念网络的参数(DBN)。

卷积神经网络(CNN)主要用于处理数据等二维空间的图像。CNN是通过部署卷积和池操作提取输入二维数据特性和最终分类不同的标签数据通过完全连接层。以前的研究人员利用短时傅里叶变换)和CNN提取特性和颤振信号进行分类17]。颤振信号可以转换的时间序列的STFT获得一个时频图。时频图是CNN的输入,进行特征提取和分类。这种组合有所证明有效;然而,STFT有一些显著的缺陷(18]:(我)Heisenberg-Gabor的不确定性原理归纳 ,时频平面是不能准确的时间和频率本地化(2)这种表示方法不适合高频和长期/短期/低频信号由于固定时间窗口的功能

EMD直接执行时间序列分解,避免了STFT约束。肖(19)结合EMD和CNN对滚动轴承的故障诊断胶印机器。谢和张20.)计算滚动轴承振动信号的特点由CNN和EMD和而不同分类器的故障分类的影响。阴et al。21)分类脉冲无线电ultrawide乐队(IR-UWB)雷达信号诊断基于EMD和CNN的心率异常。赛等。22]运用EMD ECG信号为医学诊断支持向量机分类。刘等人。23)使用小波包分解,EMD和风速预测的人工神经网络。邱et al。24结合EMD和深度学习预测的负载要求电力公司。Semwal et al。25基于EMD)应用人类健康复苏和深层神经网络。时间序列的特点,计算了EMD确实可以被输入到一个CNN。此外,郑et al。26,27利用EMD过程颤振信号,成功地提取他们的特性。

时间序列EMD得到的固有模态函数(IMF)可以输入到CNN进行特征提取,实现信号的分类。在这项研究中,基于CNN颤振测试信号特征提取从一个大数据集开发训练模型。训练模型可以用于多通道测量信号的同步监测。CNN和EMD相结合过程颤振测试信号分析的时间序列信号。结构响应信号明显不同的颤振和当没有发生颤振。我们发现了一个明显的颤振信号特征基于文献和自己的分析26- - - - - -28]。颤振临界点时,动态结构响应信号谐波或不同时间序列的颤振试验机理和信号特征。颤振模式在频域奇异,和颤振信号的能量显著增加。CNN提取特征通过一个二维卷积运算,从输入信息的货币信号通过EMD颤振测试信号可以输入到CNN作为二维数组元素中提取特征并执行一个有效的时间序列信号的分类。

郑、张(29日)进行了初步研究颤振信号分析基于三层bp网络,但没有以前的研究者使用CNN-based特征提取对颤振信号进行分类或预测颤振边界。本文提出一种利用CNN和EMD颤振信号分类方法。只需要通过EMD获得imf的颤振信号的;国际货币基金组织(IMF)信号可以调整大小,这样就可以输入CNN。CNN提取特征通过一系列的卷积和池操作,然后使用完全连接层,实现了分类损失函数计算。

2。该方法介绍

该方法是在一个三步的过程。首先,为了最小化任何人工错误产生实际的风洞试验数据的采集,颤振测试信号受到zero-average预处理获得的信号吗 ;然后,受到EMD获得其货币。颤振测试信号的时间序列分解为多个货币基金。时间序列的原始信息保存在时间序列转化为一个二维空间。接下来,国际货币基金组织(IMF)信号在这些二维空间改造成CNN的一个合适大小的二维数组输入。最后,CNN执行进一步的特征提取和区分颤振测试信号。

2.1。颤振信号预处理

颤振测试信号是归一化预处理时间序列(方程(1))。这有助于减少测量误差颤振风洞试验在人工采集过程中出现的信号。 在哪里的意思是和的标准偏差 。

2.2。经验模态分解

EMD使用“筛选”算法将信号分解为多个国际货币基金组织(IMF)组件和一个余数。其余的是原始信号的趋势项,这是单调和光滑。每个组织必须满足以下两个条件:(1)整个时间序列的时间序列极值点的次数等于系列穿越零点,或最多1的区别(2)在任何时候,平均上信封组成的局部最大值和下信封组成的信号的局部最小值是零

EMD筛选过程的流程图如图1。

该算法操作如下,使用信号如图2作为一个例子:(1)计算所有极端点(包括最大值和最小值)(2)使用立方插值序列的最大值和最小值平方的样条函数方法获得上信封和更低的信封信号的(3)计算平均信封, ,和提取信号的细节, 。如图3,黑色的线是原始的线 ,蓝线是上信封 ,红线是较低的信封 ,粉色线是普通信封(4)确定判断是否满足国际货币基金组织的两个条件。如果满意,是第一个国际货币基金组织(IMF)记录为 ;如果不满意,这是记录 重复步骤1 - 4,直到条件满足(5)让 , 是高频分量后的信号从原始信号,这在本质上是一个新的 ,然后重复上述步骤,直到剩下一个单调的信号,分解到这里就结束了(6)分解成货币基金和剩余 ,这是记录为 在哪里余项,代表的平均趋势的信号。国际货币基金组织(IMF)组件 , , , , 安排根据规模的大小,分别包含不同的组件的信号。国际货币基金组织和余数EMD后如图4。

如图4初始信号被EMD过滤后,可以获得多个国际货币基金组织(IMF)组件的频率逐渐减少。这些货币基金组织组件包含原始信号的局部特征在不同的时间尺度。

2.3。卷积神经网络

CNN是一种有效的深度学习特征提取和信息融合方法,近年来开发和研究的广泛关注。CNN包括两个基本的计算。第一个是特征提取,每个神经元的输入连接到上一层的本地感知领域和地方特征提取。局部特征提取后,与其他功能也决定它的位置关系。第二个是功能映射。每个计算层的网络由多个特征图。每个特性映射层,各层权重平等。ReLU函数作为激活函数卷积的网络,所以功能映射位移不变性。神经元表面上任何一个映射共享权重,有免费的网络参数相对较少。这两种操作形式的卷积层CNN。 This convolutional layer is followed by a computational layer for local maximum and secondary extraction, namely, the pooling layer. This unique feature extraction structure minimizes the feature resolution.

两组四个卷积层和两个池层是为提出的特征提取方法。颤振试验信号进行分类使用三层完全连接网络。网络使用亚当优化器优化参数。吴和顾30.]证明了辍学层可以改善神经网络优化效果和防止过度拟合,我们添加了一个辍学层后面第一个两个完全连接层。网络结构如图5。

CNN系统输入是imf的EMD的颤振试验得到的信号。二维数据的大小 首先是通过卷积第一组卷积层。过滤层C1的大小 ,输出通道6,跨越1,填充是2。功能层的大小 是通过卷积层C1。卷积层C2过滤器的大小 ,输出通道是10,跨越1,填充物是2。一层功能的大小 是通过卷积层C2。一层功能 通过max-pooling层P1和过滤器的大小吗 。

第二组卷积层进入下一个。滤波器卷积层C3的大小 ,输出通道的输入通道是10,14日,跨越1,填充物是1。C3是卷积后层 功能层。卷积层C4过滤器的大小 ,输入通道是14,输出通道是20,跨越1,填充是1。一层功能的大小 是通过卷积层C4。max-pooling层P2与过滤器的大小 然后提供的功能层 。以下三个完全连接层 , ,和 ,分别,最终提供了颤振测试信号的结果。

3所示。颤振试验数据集

3.1。数据源

本研究中使用的训练和测试数据集来自一组气动弹性模型颤振风洞试验数据。风洞试验的数据采集系统气动弹性模型的传感器位置如图6:7应变进行了测量位置的蓝色矩形(每个包括弯曲和扭转数据)和26个加速度传感器被放置在红点的位置标记。三个应变测量的点被放置在垂直尾翼的根源与另一个4分左右水平的尾巴,分别。两个加速度传感器布置在机身后部。剩下的加速度传感器被分成四组,并安排在左边水平的尾巴,对水平的尾巴,离开电梯,电梯高空。

原始风洞试验数据记录在全数字形式PXIe系列数据采集卡(美国虚拟仪器公司)。两套pxie - 4331应变采集卡采集应变信号。应变信号采集卡的一组采样在八频道,离开六频道的另一组卡片。应变信号从而共有14个频道。加速度信号被采样两套pxie - 4499加速度采集卡在第一组16通道和10频道在第二组卡片总共26加速度信号。所有实验数据获得在实时虚拟仪器的软件驱动程序的环境。我们设定了基本的采样频率200赫兹的颤振风洞试验按照相关处理需求和其他参数设置。加速度传感器是一种352年c03模型(美国PCB公司),和应变传感器是一个KFH预制线应变仪(ω)。

有27个不同状态的气动弹性模型颤振风洞试验和180陡峭的风(隧道)的速度。激励可以视为大气湍流各种风速。我们用于深度学习的数据是来自上述气动弹性模型。颤振试验数据不同的国家和不同的速度被选中数据点长度是2048。颤振试验信号进行EMD分解成货币基金的算法。第一个8首先重塑了二维数据 大小CNN的输入。参数训练;然后,训练有素的CNN模型的有效性和准确性进行评估如下讨论。

3.2。数据集

获得结构响应信号从一个气动弹性模型是一个时间序列的压力和加速度信号。时间序列数据需要转换为二维空间分类的CNN。如上所述,我们时间序列分解为多个货币基金通过EMD的原始信息可以保存并使原始时间序列适用于输入CNN。

一个已知的颤振风洞试验信号第一次被贴上两个州之一,颤振或不(数字7和8),如人造数据集。第一个8首先通过EMD方法(部分2.2),如图9和10被选为CNN数据集。有2048个每个颤振测试信号的数据点。这8个货币基金 数据点被重塑为一个二维数组 根据CNN的训练和测试数据集。“1”的标签显示颤振和“0”表示不。整个数据集包括1000套颤振和不数据测试培训(80%和20%)。

如数据所示7和8颤振发生时,信号时间序列从不明显不同的时间序列信号。数据9和10表明EMD信号的两种类型的结果也不同,这满足的前提提出了颤振试验信号分类方法。

4所示。数据训练和测试结果

4.1。训练模型评估标准

CNN模型训练的Pytorch深度学习框架。我们使用了损失函数和准确率作为训练和测试标准。当损失函数值最小和最大准确率,有效的参数优化和模型的结果是有效的。

以下4.4.1。培训损失

我们使用了熵函数(方程(3))计算误差的正向反馈结果CNN和颤振的标签测试信号。熵函数的值更新通过梯度下降法和优化功能。 在哪里 损失函数,代表imf的标记结果的颤振信号,CNN的输出,显示的类标签需要划分;在我们的例子中, 。 表示训练数据的维数。

4.1.2。准确率

在后者阶段的训练过程中,训练数据集计算的准确率每个时代。颤振与不信号是杰出的货币基金在当前重量和偏见的CNN。当损失函数最小,重量和偏见可以消耗的值在CNN国际货币基金组织的特征提取。

这里的模型构成CNN架构和可靠性验证的参数保存。准确率是计算如下: 在哪里是准确率,是CNN颤振测试信号的输出,是标签的颤振测试信号,函数计算之间的相同数量由CNN和颤振的结果输出标记的颤振信号的尺寸是 。

4.2。培训和测试结果

根据深学习算法的要求,我们使用了两个标准的有线电视新闻网:损失函数和准确率。CNN在上述数据集训练。在比较各种hyperparameters hyperparameter将1000次迭代和学习速率为0.00001。损失函数和准确率两个辍学层参数为0.5时最优。批量大小的值设置为100根据计算机内存和模型的大小。损失函数和准确率曲线计算,每一批的平均值大小如图11和12,分别。

损失曲线和准确率曲线表明,该损失函数下降到一个满意的最终价值在100时代,精度达到100%。四个卷积的两个数据集层隆起和两个池层似乎颤振测试信号的有效提取特征货币基金。

表1列出了为第1000届迭代计算结果。该模型的可靠性和有效性经深度学习训练数据集和测试数据集。

4.3。比较的方法

我们测试我们EMD-CNN方法相比的优越性STFT-CNN [14]。CNN的输入方法是一个二维数组的空间。STFT-CNN方法是由第一次执行STFT在颤振时间序列变换获得时间序列信号的谱图满足CNN的输入。的输入大小STFT-CNN 在这种情况下。颤振的数据用于训练和验证是一样的气动弹性模型的风洞试验数据中描述的部分3.1。STFT-CNN方法使用两个卷积层和两层池进行特征提取,然后将数据通过三个完全连接层。我们四个卷积层和两个池层用于特征提取,然后用三个完全连接层完成分类。CNN EMD-CNN方法的输入 。这两种方法的准确率曲线如图13和14。

如图13虽然训练精度曲线相对稳定,测试精度曲线和验证精度曲线显示显著的波动。当训练集的准确性达到100%,测试集和验证集的准确性只有在90%和95%之间。测试集的曲线精度达到最高点后400时代。验证集的曲线精度达到最高点后800时代。精度曲线如图14是相对稳定的,这表明,该网络结构能有效地对国际货币基金组织(IMF)信号的特征提取。在200时代两曲线精度达到100%,这表明该方法还具有更快的收敛速度比STFT-CNN在训练。

表2列出STFT-CNN的准确率和EMD-CNN第1000迭代。该方法显示更少的损失比STFT-CNN和更好的分类效果。我们的算法有两个比STFT-CNN卷积层,这似乎积极影响特征提取的有效性。

5。结论

颤振试验信号特征提取方法是在这项研究中开发的基于EMD和CNN。该方法被发现的准确率达到100%。与STFT-CNN方法相比,我们在更少的迭代方法具有更高的精度。似乎越来越多的卷积层有用的特征提取。

本文主要描述的是我们的处理方法是将颤振试验信号转换为一个二维空间特征提取的CNN的输入。EMD,优势在非线性和非平稳的信号分析中,被选为初步时间序列信号的特征提取方法。imf可以转化为满足二维卷积操作,以便通过二维卷积网络可以有效地提取特征数据。这个方法是可行的和有效的。CNN训练过程需要大量的计算(神经网络)的一个共同缺点,但在培训完成后,网络基本上只执行简单的矩阵运算。因此,可以实现实时在线预测计算复杂度较低。这确保航行安全具有重要意义,为准确监测颤振风洞试验测试状态。

在这项研究中,我们只完成了一个初始的颤振测试信号的分类。它仍然需要确定如何计算模态参数(例如,阻尼结构响应信号)的学习算法。我们计划通过这些参数进一步预测颤振速度在未来。数据集用来评估深度学习算法也有一定的局限性,可能造成模型的普遍性问题。

数据可用性

整个颤振试验数据集过于大,所以只有一个信号是补充信息的上传文件的一部分。整个数据集用于支持本研究的发现可以从第二作者2020201938 @mail.nwpu.edu.cn。

附加分

高光。(我)EMD和CNN从颤振试验测量信号中提取特征并确定是否发生颤振。(2)EMD方法是一种自适应方案非线性非平稳的时间序列分析。(3)数据驱动的神经网络的训练和测试。(iv)实时在线预测可以实现较低的计算复杂度。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持的基础研究基金为中央大学(批准号31020190 ms702)和国家科技重大项目(批准号2017 - v - 0011 - 0062)。

补充材料

补充材料文件的一部分实验颤振试验数据用于生产数据集(部分3),用于验证我们的方法。数据来自压力和加速度传感器的气动弹性模型风洞试验。的一部分数据没有给出了颤振的. doc格式。每个. doc文件comtains 8通道信号后首先加速度或应变传感器由EMD分解,在数字序列代表一个离散时间序列。(补充材料)

引用

1. g . Hongtao颤振试验数据处理技术研究中国空气动力研究与发展中心,绵阳,2005年。
2. n·h·齐默尔曼和j . t . Weissenburger”预测基于飞行测试的颤振速度发生在亚临界速度,”杂志上的飞机,1卷,不。4、190 - 202年,1964页。视图:出版商的网站|谷歌学术搜索
3. 美国价格和b·h·j·k·李,“评价和扩展flutter-margin飞行颤振预测的方法,”杂志上的飞机,30卷,不。3、395 - 402年,1993页。视图:出版商的网站|谷歌学术搜索
4. w·w·张,h . s . Huashou h·肖,”审查和颤振边界预测方法的前景飞行颤振试验,”Aerodynamica学报,36卷,不。5,1367 - 1384年,2015页。视图:谷歌学术搜索
5. y松崎和y安藤”,估计随机响应的颤振边界由于湍流在亚临界速度,”杂志上的飞机,18卷,不。10日,826 - 868年,1981页。视图:出版商的网站|谷歌学术搜索
6. t .建筑师、m . Iio和t . Ikeda“颤振预测使用连续小波变换,交易的日本航空和空间科学学会,51卷,不。174年,第281 - 275页,2009年。视图:出版商的网站|谷歌学术搜索
7. h·阿什利和g . Zartarian活塞理论:一个新的气动工具aeroelastician,”航空科学杂志》上,23卷,不。12日,第1118 - 1109页,1956年。视图:出版商的网站|谷歌学术搜索
8. d·d·刘,z . x姚明,d . Sarhaddi f·查韦斯,“从活塞理论统一的高超音速超音速升力面方法,”杂志上的飞机,34卷,不。3、304 - 312年,1997页。视图:出版商的网站|谷歌学术搜索
9. d·谢·m·徐,e·h·道,“适当的正交分解降维模型非线性气动弹性振荡,”张仁杂志,52卷,不。2、229 - 241年,2014页。视图:出版商的网站|谷歌学术搜索
10. h·f·甘吉和e·h·道尔,”面板颤振预测在二维流增强活塞理论,“流体和结构》杂志上卷,63年,第102 - 97页,2016年。视图:出版商的网站|谷歌学术搜索
11. j·e·库珀·r·埃米特·j·r·赖特和m·j·斯科菲尔德”分析颤振数据包络函数——一个工具,”杂志上的飞机,30卷,不。5,785 - 790年,1993页。视图:出版商的网站|谷歌学术搜索
12. j·e·库珀·m·j . Desforges和j·r·莱特”在线信封function-aguide气动弹性稳定性”国际论坛在空气弹性和结构动力学莱斯顿,页981 - 998年,1993年。视图:谷歌学术搜索
13. r·林德“飞行测试评估的颤振预报方法,”杂志上的飞机,40卷,不。5,964 - 970年,2015页。视图:出版商的网站|谷歌学术搜索
14. y的歌,d . Wu w·邓et al .,“MPPCEDE: multi-population并行协同进化微分进化参数优化,“能量转换和管理第113661条,卷。228年,2021年。视图:出版商的网站|谷歌学术搜索
15. w·邓j .徐,y的歌,和h .赵“微分进化算法与小波基函数和最优变异策略对于复杂的优化问题,“应用软计算第106724条,卷。100年,2020年。视图:出版商的网站|谷歌学术搜索
16. j·w·邓h . Liu, h .赵和y的歌,“一种改进的量子激发微分进化算法所深信念网络,”IEEE仪表和测量,卷69,不。10日,7319 - 7327年,2020页。视图:出版商的网站|谷歌学术搜索
17. 段,h .郑,j .刘”小说分类方法对颤振信号基于CNN和STFT,”国际航空航天工程杂志》上卷,2019篇文章ID 9375437、8页,2019。视图:出版商的网站|谷歌学术搜索
18. 欧泊松、p . Rioual和m .贝”新的信号处理工具应用于电能质量分析,“IEEE电力交付,14卷,不。2、561 - 566年,1999页。视图:出版商的网站|谷歌学术搜索
19. x陈良军入伙滚动轴承故障诊断方法研究基于卷积神经网络的滚动轴承,西安理工大学,2018。
20. y谢和t .张”,对旋转机械故障诊断基于卷积神经网络和经验模态分解,“冲击和振动卷。2017年,12页,2017。视图:出版商的网站|谷歌学术搜索
21. w .阴,杨x、l . Zhang和e .冲电气“心电图监测系统结合IR-UWB雷达基于CNN,“IEEE访问4卷,第6351 - 6344页,2016年。视图:出版商的网站|谷歌学术搜索
22. 赛,d·辛格,a·斯拉”心电图击败利用经验模态分解和多类分类有向无环图支持向量机”计算机与电气工程,40卷,不。5,1774 - 1787年,2014页。视图:出版商的网站|谷歌学术搜索
23. 李x h . Liu Mi, y”的比较两种新型智能风速预测的方法基于小波包分解,完成整体经验模态分解与自适应噪声和人工神经网络,”能量转换和管理卷,155年,第200 - 188页,2018年。视图:出版商的网站|谷歌学术搜索
24. 邱x, y . Ren, p . n . Suganthan和g·a·j . Amaratunga”基于经验模态分解的整体深度学习负荷时间序列预测的需求,”应用软计算54卷,第255 - 246页,2017年。视图:出版商的网站|谷歌学术搜索
25. v . b . Semwal k . Mondal g·c·南帝,“健壮的和准确的人形推动复苏的特征选择和分类:深度学习的方法,”神经计算和应用,28卷,不。3、565 - 574年,2017页。视图:出版商的网站|谷歌学术搜索
26. h .郑,j·刘,段,“在线EMD-wavelet颤振的方法测试由大气湍流兴奋,”模式识别与人工智能》国际期刊上,33卷,不。7,1950010条,2019年。视图:出版商的网站|谷歌学术搜索
27. h .郑,j·刘,s .段“颤振试验数据处理基于改进简要地变换,“数学问题在工程卷,2018篇文章ID 3496870、8页,2018。视图:出版商的网站|谷歌学术搜索
28. z Shanhong,时间频率谐振颤振边界预测的方法,西北工业大学,2002。
29. h .郑和j·张”,一个基于神经网络的稳定性判据方法及其应用对颤振边界预测,“工程智能系统,24卷,不。3 - 4、99 - 104年,2016页。视图:谷歌学术搜索
30. h·吴x顾,“Max-pooling辍学卷积神经网络的正规化,”神经信息处理。ICONIP 2015。课堂讲稿在计算机科学中,第9489卷,黄t . s Arik w·赖,Eds问:刘。施普林格,页46 - 54岁,可汗,2015年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021华筝等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。