基于变分模态分解与 GARCH 模型的线性和非线性损伤检测数据驱动方法
计算机视觉与模式识别
2022-01-31 v1
摘要
本文提出一种新颖的数据驱动方法，利用仅输出响应检测结构中的线性和非线性损伤。该方法部署变分模态分解（VMD）与广义自回归条件异方差（GARCH）模型进行信号处理与特征提取。为此，VMD 将响应信号分解为固有模态函数（IMFs）。随后，利用 GARCH 模型表示 IMFs 的统计特性。IMFs 的模型系数构成初级特征向量。基于核的主成分分析（PCA）与线性判别分析（LDA）通过将初级特征映射到新特征空间来降低其冗余。随后将信息特征分别输入三种监督分类器，即支持向量机（SVM）、k-近邻（kNN）与精细树。所提方法的性能在两个实验缩比模型上就线性和非线性损伤评估进行了评价。峰度与 ARCH 检验证明了 GARCH 模型的适用性。
引用
@article{arxiv.2111.08620,
title = {A Data-Driven Approach for Linear and Nonlinear Damage Detection Using Variational Mode Decomposition and GARCH Model},
author = {Vahid Reza Gharehbaghi and Hashem Kalbkhani and Ehsan Noroozinejad Farsangi and T. Y. Yang and Seyedali Mirjalili},
journal= {arXiv preprint arXiv:2111.08620},
year = {2022}
}
备注
30 Pages, 12 Figures and 8 Tables, Submitted Journal: Engineering with Computers, Springer