基于自训练半监督神经网络的结构损伤识别

摘要

为解决结构损伤识别中标签样本不足的问题，提出一种基于自训练半监督神经网络(self-training semi-supervised neural networks, SSNN)的结构损伤识别框架，该框架利用自训练半监督方法对多层感知机(multilayer perceptron, MLP)神经网络进行训练，从无标签样本中挑选置信度高的样本标注伪标签，扩大样本训练集，并采用归一化频率变化率和损伤特征指数作为输入特征，用于识别结构损伤。首先，介绍自训练半监督学习的基本理论和方法；其次，从神经网络构建、损伤特征提取、分类器评估等方面，给出结构损伤识别流程；最后，通过空间桁架的数值案例及3层框架的试验数据，验证所提出的损伤识别方法。结果表明：自训练半监督学习能够从无标签样本中选取置信度较高的样本，为损伤识别提供更充足的有标签样本；在标记样本不足的条件下，SSNN比MLP神经网络的损伤识别效果更好；相较于MLP神经网络，SSNN在单一位置损伤工况下，识别准确率提升约4%,2个位置损伤识别准确率提升约9%。

关键词

结构损伤识别 / 半监督学习 / 自训练 / 伪标签 / 神经网络

基金资助

国家自然科学基金项目(51608408)