7.6　小　结

针对时变结构非平稳振动信号获取受限以及参数化时变结构模态辨识方法存在大量虚假结果的问题，本章基于深度学习模型，提出了基于深度学习的时变结构振动场域递推重建方法和单模态递推筛选方法，实现了结构振动场未测量自由度振动信号的递推估计以及虚假结果的递推筛选。最后，本章通过四自由度时变刚度数值算例对本方法进行了验证，结果表明：

（1）本章提出的振动场递推重建方法依据先验知识准确地实现了对未测量自由度振动响应的递推重建，对不同时变规律具有良好的泛化能力，即使面对较强的系统突变也可以快速恢复估计精度，所用的深度学习模型自身参数对重建精度具有良好的鲁棒性，且通过噪声注入可以使其具备良好的抗噪能力。

（2）本章提出的单模态递推筛选方法依据先验知识实现了对辨识结果的高准确率、高召回率的递推筛选，对不同时变规律与不同参数的辨识模型具有良好的泛化能力；所用的深度学习模型自身参数对筛选效果具有良好的鲁棒性，且具备良好的抗噪能力；通过重采样方法有效解决了样本不平衡问题，提升了筛选的召回率。(https://www.daowen.com)

（3）围绕参数化递推辨识，联合时变结构振动场递推重建方法，在结构部分自由度振动信号无法获取的情况下成功提升了辨识模态振型的空间分辨率。

（4）通过对比分析深度学习模型在振动场重建、模态参数辨识以及单模态筛选三类任务中的不同表现可知，随着任务“粒度”的细化，深度学习模型需要更多输入信息，且受系统变化的影响更大。