基于卷积神经网络的动态力学响应数据分类识别研究

由于动态力学响应数据的数据量巨大、提取分析较为复杂,导致在道路研究领域一直难以广泛应用。为了提高动态力学响应数据的易用性,首先总结了该数据的应用需求,对海量数据的分析可知,数据存在采集频率高、数据量大、信息密度时间分布不平衡、应变响应信号微弱、信噪比低和数据基线漂移等现象。根据数据的应用需求和数据特点,建立了一套有效的数据处理流程,并且通过采用卷积神经网络将每个动态荷载响应数据进行了有效的分类标识,为海量数据的开放共享提供了可靠的数据基础。同时,还对比验证了不同结构形式的卷积神经网络,得出GoogleNet网络对结构力学动态荷载数据的分类方面具有较好的识别效果,准确率可达95.2%,证明了在动态荷载响应数据分类方面GoogleNet网络的综合性能要优于其他网络结构。