7.1　引　言

时变结构模态参数辨识是基于结构振动响应的数字信号处理任务，提升结构振动响应信号获取的质量是增强辨识效果的有效途径。然而，在实际应用中考虑到运行环境、空间、成本、可靠性等因素，测量系统中结构振动传感器的空间布置受到明显制约。此外，时变结构模态辨识中参数化辨识模型虽然表示简约，在辨识的精度、分辨率、时变跟踪能力以及结果合理性等方面也具有优势［97］，但由于其模型阶数选择问题，在获得物理模态的同时也会产生大量虚假辨识结果。在结构模态参数辨识过程中，辨识结果会受到结构、环境以及运行条件等因素的影响，而这些因素通常难以量化表征。为了有效考虑这些因素的影响，需要依赖抽象的先验知识，并引入人工参与，而这样会导致辨识过程耗时长且高度受限于使用者的经验。(https://www.daowen.com)

本章采用深度学习模型对时变结构未测量自由度进行虚拟感知，实现振动场的递推重建；同时采用深度学习模型对辨识结果进行筛选，有效去除虚假辨识结果［228，311，312］。7.2节根据深度学习模型通过对振动数据的学习，对时变结构未测量自由度的非平稳振动信号进行递推估计，实现结构振动场的递推重建；7.3节根据深度学习模型通过对结构模态参数相关知识的学习，对时变结构模态参数辨识结果进行判别，实现时变结构模态参数辨识的单模态递推筛选；7.4节联合时变结构振动场递推重建方法，考察在信号获取受限情况下所提方法对传统参数化递推辨识的综合增强效果；7.5节通过对比分析，讨论任务“粒度”对深度学习模型表现的影响；7.6节对本章工作进行简要总结。