6.3.1　模态参数黑箱递推辨识网络

6.3.1　模态参数黑箱递推辨识网络

时变结构振动信号具有明显的非平稳特性，因此将常用的针对平稳信号的参数化辨识模型应用到解决非平稳问题就会受到诸多局限，从而影响时变结构模态参数的应用前景。在处理机器翻译、摘要生成以及感情识别等自然语言处理问题中，深度学习模型展现了其强大的序列信息提取能力，因此本节采用深度学习模型处理非平稳的结构振动响应信号，提出一种基于深度学习的时变结构模态参数黑箱递推辨识方法，实现时变结构模态参数准确、高效地递推获取，有效提升时变结构模态参数递推辨识能力［228，300］。时变结构模态参数黑箱递推辨识示意如图6.6所示，根据结构非平稳振动响应信号对所关心的模态参数进行递推辨识。网络模型结构主要由两部分构成：①LSTM层，主要用于从输入的非平稳振动信号中抽象并提取结构振动相关的时间维度信息（当前时刻输入与历史输入之间的关系）和空间维度信息（物理传感器网络之间的关系）；②全连接层，主要用于对由LSTM层抽象得到的信息进一步抽象，并得到所关心的时变结构模态参数。

图6.6　时变结构模态参数黑箱递推辨识示意［228，300］

第一部分（即LSTM层）为NLSTM层LSTM网络。针对t时刻测量得到的非平稳结构振动响应xt，通过LSTM网络抽象提取时变结构非平稳振动的状态信息：

第二部分（即全连接层）为NFC层全连接网络。针对LSTM层抽象提取得到的特征，进一步抽象提取，有(https://www.daowen.com)

作为一类回归问题，全连接层的最后一层采用线性层计算时变结构模态参数的辨识值：

式中，WO和bO分别表示最后一层线性全连接层的权重矩阵和偏置向量；表示t时刻时变结构模态参数的辨识值。

时变结构模态参数黑箱递推辨识网络的损失函数J（θ）采用L1范数，通过在训练数据集上进行优化，获得网络模型参数

式中，θ表示模态参数黑箱递推辨识网络的模型参数。