基于自编码神经网络的桥梁结构损伤检测研究王宇鑫 暨南大学 2018文章引用了聂振华的分类方法如下图所示。可见本分类模式并不全面没有涉及到最近的研究情况分类较传统。文章的有点在于利用高效的深度学习平台Keras 搭建自编码神经网络模型直接对获取的时域内桥梁结构动力响应数据进行特征提取避免了利用人工先验知识构造损伤指标来提取响应特征的繁琐。文章选用了tanh函数作为非线性函数而RBF选用高斯函数作为基函数。在选择核心函数的时候依据和利弊分析各是什么? 在选用权重W表示时表示方法有问题。文章在表示浅层神经网络和深度网络时本质内容没有说明白。认为一个隐含层的就叫浅层两个及其以上的就叫深度网络。这是理论概念上的错误。多隐层并不能称之为深度网络。虽然关于深度网络的概念目前很模糊但是本质跟浅层网络却是不一样的。文章还表示相比于浅层网络深度网络的特征表达能力更为优异其实质在于后一层的输入数据是前一层的输出数据且每一个隐藏层能够对前一层的输出数据进行非线性变换。深度学习就是利用这种多层堆叠的方式实现对输入信息的分级表达通过组合低层特征形成更加抽象的高层表示属性类别或特征以发现数据的分布式特征表示[56]。对于深度网络理解太浅显了。作者认为常用的深度学习模型有自动编码器AutoEncoder、卷积神经网络CNN、深度信念网络DBN和限制玻尔兹曼机RBM等。深度学习的分类具有参考价值但是并不是完全正确的。进一步指出自动提取特征信息的本质是什么仅仅是一个非线性变化的函数吗在对自编码器的表述问题上作者认为自编码器的任务就是最大程度复现输入信号的神经网络在表述上是有歧义的。令输出与输入相同求之间的各种参数那么此编码器的意义在于哪里作者于PCA做了类比那么自编码器的本质和意义是否同PCA是一样的下一句话就说用输出拟合输入输出复现输入为什么要费力去复现一个无论什么情况下都已知的输入呢通过编码、解码复现输入的意义在于什么自编码器又分为稀疏自编码器、栈式自编码多层稀疏自编码器。利用深度学习平台 Keras 搭建自编码神经网络模型然后拿时域上的加速度响应信号制成相应的训练样本投入到网络模型中训练并学习特征信息最后利用模型学习到的特征构建相应的数值指标来识别损伤。 可以用“移动数据窗口”确定损伤位置。输入为加速度响应。可以结合小波包变化理论。输出是什么总结1算法的分类 2 深度学习算法概念 3tensorflow 4:keras 5:易用时程数据分析比频率和振型更易实现。深度学习用多层模型不断对数据分析、理解、加工进而对数据里面隐含的语义进行理解。采取端到端学习手段逐层抽象逐层学习指的是输入端到输出端。经过卷积、池化、误差反向传播手段学习得到原始数据的特征表达基于特征表达对数据进行分类和识别。没有把学习的任务分为子任务分析。编码器和解码器是基于已标注的海量数据为基础的。从输入数据出发输出为输入数据对应的特征向量。浅层学习采用分段学习的手段。如对于图像要检测出关键信息点聚类视觉词典用视觉单词表达形成视觉单词直方图。把加权累加的信息合分别映射到0—1、-1—1、复数神经元不被激活的空间。