期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
小样本与不平衡数据集场景下基于MSCNN-ECA-GRU混合框架的桥结构损伤识别
1
作者 陈柳洁 梁豪坚 +2 位作者 吴森明 傅继阳 吴清泰 《中国公路学报》 北大核心 2025年第9期268-282,共15页
针对常规结构损伤识别方法因小样本、类别不平衡及损伤类型多样等问题导致的精度下降,提出一种融合高效通道注意力机制(Efficient Channel Attention,ECA)与门控循环单元(Gate Recurrent Unit,GRU)的多尺度卷积神经网络(Multi-scale Con... 针对常规结构损伤识别方法因小样本、类别不平衡及损伤类型多样等问题导致的精度下降,提出一种融合高效通道注意力机制(Efficient Channel Attention,ECA)与门控循环单元(Gate Recurrent Unit,GRU)的多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)新型混合框架MSCNN-ECA-GRU。该方法通过MSCNN-ECA融合架构提取振动信号的空间多尺度特征,结合GRU捕获信号的时序动态特征,并利用参数共享机制实现时空特征深度融合;采用监督学习优化训练策略,提升模型在小样本及不平衡数据场景的特征学习能力与泛化性能。分别基于赫尔钢架桥工程实例与实验室四跨桁架桥试验的振动响应数据开展验证试验。消融试验结果表明:MSCNN-ECA-GRU在不同桥梁、不同传感器中表现出理想的泛化性能;小样本平衡数据集下,MSCNN-ECA-GRU对2个试验桥的损伤识别准确率达98.61%和99.07%,较基准MSCNN分别提升3.14%和2.77%;面对更具挑战性的小样本不平衡数据集,MSCNN-ECA-GRU性能提升尤为突出,对2个试验桥的识别准确率达92.43%和90.96%,较MSCNN-ECA、MSCNN-GRU与基准MSCNN分别提升15.4%和17.93%,21.26%和21.08%,28.02%和31.92%;在50%高斯强噪声干扰下,MSCNN-ECA-GRU仍保持大于97%的识别准确率,鲁棒性突出。通过多维度量化指标评估证实,MSCNN-ECA-GRU有效解决常规方法在样本稀缺和类别不平衡场景下的性能衰减问题,研究成果为基础设施损伤识别提供了兼顾时空特征提取的智能新方法。 展开更多
关键词 桥梁工程 损伤识别 mscnn-eca-gru 振动信号 小样本 不平衡数据集
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部