6.5　小　结

针对传统参数化递推辨识方法存在虚假结果多且通常基于高斯分布假设的局限，本章提出了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。该方法通过深度学习模型引入离线模态分析结果，可实现从时变结构非平稳振动响应中准确递推辨识得到结构时变模态参数。通过四自由度时变刚度数值算例对本章方法进行验证，结果表明：

（1）本章方法可准确地辨识所需的结构时变模态参数，具有良好的时变规律泛化能力以及模型参数鲁棒性。(https://www.daowen.com)

（2）与传统参数化递推辨识结果相比，本章方法由于引入先验知识，能有效减少辨识虚假结果，提升辨识结果的连续性，这有利于健康监测、控制等对时序以及稳定性要求较高的下游任务。

（3）由于本章方法使用的LSTM深度学习模型自身具有“饱和”特性，因此可有效应对在实际工作条件下振动信号中各种因素导致的非高斯脉冲噪声，从而提升辨识结果的鲁棒性。