用于结构损伤检测的层次化深度卷积神经网络与门控循环单元框架
信号处理
2020-06-02 v1 机器学习
机器学习
摘要
结构损伤检测已成为各工程领域共同关注的跨学科方向，而现有的损伤检测方法正逐步引入机器学习概念。大多数基于机器学习的方法严重依赖于由领域专家预先手动选定并固定的“手工设计”特征。近年来，得益于强大的特征学习能力，深度学习在传统难题（如图像分类、目标检测等）上展现出卓越性能。这一突破启发了研究者探索深度学习技术用于结构损伤检测问题。然而，现有方法仅考虑了空间关系（例如使用卷积神经网络（CNN））或时间关系（例如使用长短期记忆网络（LSTM））之一。在本工作中，我们提出了一种新颖的层次化 CNN 与门控循环单元（GRU）框架，称为 HCG，以同时建模空间与时间关系，用于结构损伤检测。具体而言，CNN 用于建模传感器间的空间关系与短期时间依赖，而 CNN 的输出特征被送入 GRU 以联合学习长期时间依赖。在 IASC-ASCE 结构健康监测基准和三跨连续刚构桥缩尺模型结构数据集上的大量实验表明，我们提出的 HCG 显著优于其他现有的结构损伤检测方法。
引用
@article{arxiv.2006.01045,
title = {A Hierarchical Deep Convolutional Neural Network and Gated Recurrent Unit Framework for Structural Damage Detection},
author = {Jianxi Yang and Likai Zhang and Cen Chen and Yangfan Li and Ren Li and Guiping Wang and Shixin Jiang and Zeng Zeng},
journal= {arXiv preprint arXiv:2006.01045},
year = {2020}
}
备注
The work has been accepted by Information Sciences!