使用特征距离的先验概率的智能减震性能监控方法技术

本申请涉及智慧交通领域中的智能减震性能监控，其具体地公开了一种使用特征距离的先验概率的智能减震性能监控方法，其通过深度神经网络来建立阻尼装置的上层表面和下层表面振动数据之间的差异性到阻尼装置本身的减震性能之间的映射关系，从而将其转化为基于深度神经网络的分类问题。特别地，在分类过程中，通过计算表达振动数据之间的差异性的距离D，并计算基于D的先验知识概率P，进而通过先验知识概率P在当前样本数据的基础上预测后验差异性概率，以提高分类的准确性。以提高分类的准确性。以提高分类的准确性。

【技术实现步骤摘要】
使用特征距离的先验概率的智能减震性能监控方法


[0001]本专利技术涉及智慧交通领域中的智能减震性能监控，且更为具体地，涉及一种使用特征距离的先验概率的智能减震性能监控方法、使用特征距离的先验概率的智能减震性能监控系统和电子设备。

技术介绍

[0002]由于车辆驶过桥梁表面时会产生振动，因此桥梁内部通常设置有阻尼装置，传统的阻尼装置一般为橡胶材质，而橡胶的韧性随温度变化而变化，进而导致其动态性能不稳定。为了避免出现动态性能不稳定的现象，另外的一些阻尼装置将减震弹簧与阻尼材料组合在一起使用，但是这种组合的阻尼装置在长时间使用后，也会面临性能退化的问题，会产生安全隐患。
[0003]因此，期望能够提供一种对桥梁的阻尼装置进行智能监控的技术方案。
[0004]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展为桥梁的阻尼装置智能监控提供了新的解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种使用特征距离的先验概率的智能减震性能监控方法、使用特征距离的先验概率的智能减震性能监控系统和电子设备，其通过深度神经网络来建立阻尼装置的上层表面和下层表面振动数据之间的差异性到阻尼装置本身的减震性能之间的映射关系，从而将其转化为基于深度神经网络的分类问题。特别地，在分类过程中，通过计算表达振动数据之间的差异性的距离D，并计算基于D的先验知识概率P，进而通过先验知识概率P在当前样本数据的基础上预测后验差异性概率，以提高分类的准确性。
[0007]根据本申请的一个方面，提供了一种使用特征距离的先验概率的智能减震性能监控方法，其包括：
[0008]分别获取阻尼装置的上层表面的第一振动数据和下层表面的第二振动数据；
[0009]将所述第一振动数据和所述第二振动数据分别转化为第一振动向量和第二振动向量；
[0010]将所述第一振动向量和所述第二振动向量分别通过深度神经网络以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量；
[0011]计算所述第一特征向量与所述第二特征向量之间的距离D；
[0012]以如下公式计算所述距离D的先验知识概率P，其中，该公式为：P＝log((2*exp(
‑
aD))/1+exp(
‑
aD))，a是用于将exp(
‑
aD)的值映射到0到1之间的预定参数；
[0013]将所述先验知识概率P取负数后与第二特征向量相乘以获得第三特征向量；以及
[0014]将所述第一特征向量与所述第三特征向量级联后输入分类器，以获得分类结果，所述分类结果用于表示阻尼装置的减震性能是否符合要求。
[0015]在上述使用特征距离的先验概率的智能减震性能监控方法中，将所述第一振动向量和所述第二振动向量分别通过深度神经网络以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量，包括：将所述第一振动向量和所述第二振动向量分别通过一维卷积神经网络，以对所述第一振动向量和所述第二振动向量分别进行一维卷积处理，以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量。
[0016]在上述使用特征距离的先验概率的智能减震性能监控方法中，将所述第一振动向量和所述第二振动向量分别通过深度神经网络以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量，包括：将所述第一振动向量和所述第二振动向量分别通过多层感知机模型，以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量。
[0017]在上述使用特征距离的先验概率的智能减震性能监控方法中，计算所述第一特征向量与所述第二特征向量之间的距离D，包括：计算所述第一特征向量与所述第二特征向量之间均方差，以获得所述距离D。
[0018]在上述使用特征距离的先验概率的智能减震性能监控方法中，计算所述第一特征向量与所述第二特征向量之间的距离D，包括：计算所述第一特征向量与所述第二特征向量之间按像素位置的L1距离，以获得差分特征向量；以及，计算所述差分特征向量中各个位置的特征值的平均值，以获得所述距离D。
[0019]在上述使用特征距离的先验概率的智能减震性能监控方法中，所述预定参数a作为超参数参与到所述深度神经网络和所述分类器的训练过程中。
[0020]根据本申请的另一方面，一种使用特征距离的先验概率的智能减震性能监控系统，其包括：
[0021]振动数据获取单元，用于分别获取阻尼装置的上层表面的第一振动数据和下层表面的第二振动数据；
[0022]振动向量生成单元，用于将所述振动数据获取单元获得的所述第一振动数据和所述第二振动数据分别转化为第一振动向量和第二振动向量；
[0023]特征向量生成单元，用于将所述振动向量生成单元获得的所述第一振动向量和所述第二振动向量分别通过深度神经网络以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量；
[0024]距离计算单元，用于计算所述特征向量生成单元获得的所述第一特征向量与所述第二特征向量之间的距离D；
[0025]先验知识概率计算单元，用于以如下公式计算所述距离计算单元获得的所述距离D的先验知识概率P，其中，该公式为：P＝log((2*exp(
‑
aD))/1+exp(
‑
aD))，a是用于将exp(
‑
aD)的值映射到0到1之间的预定参数；
[0026]第三特征向量生成单元，用于将所述先验知识概率计算单元获得的所述先验知识概率P取负数后与所述特征向量生成单元获得的所述第二特征向量相乘以获得第三特征向
量；以及
[0027]分类结果生成单元，用于将所述特征向量生成单元获得的所述第一特征向量与所述第三特征向量生成单元获得的所述第三特征向量级联后输入分类器，以获得分类结果，所述分类结果用于表示阻尼装置的减震性能是否符合要求。
[0028]在上述使用特征距离的先验概率的智能减震性能监控系统中，所述特征向量生成单元，进一步用于：将所述第一振动向量和所述第二振动向量分别通过一维卷积神经网络，以对所述第一振动向量和所述第二振动向量分别进行一维卷积处理，以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量。
[0029]在上述使用特征距离的先验概率的智能减震性能监控系统中，所述特征向量生成单元，进一步用于：将所述第一振动向量和所述第二振动向量分别通过多层感知机模型，以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量。
[0030]在上述使用特征距离的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用特征距离的先验概率的智能减震性能监控方法，其特征在于，包括：分别获取阻尼装置的上层表面的第一振动数据和下层表面的第二振动数据；将所述第一振动数据和所述第二振动数据分别转化为第一振动向量和第二振动向量；将所述第一振动向量和所述第二振动向量分别通过深度神经网络以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量；计算所述第一特征向量与所述第二特征向量之间的距离D；以如下公式计算所述距离D的先验知识概率P，其中，该公式为：P＝log((2*exp(
‑
aD))/1+exp(
‑
aD))，a是用于将exp(
‑
aD)的值映射到0到1之间的预定参数；将所述先验知识概率P取负数后与第二特征向量相乘以获得第三特征向量；以及将所述第一特征向量与所述第三特征向量级联后输入分类器，以获得分类结果，所述分类结果用于表示阻尼装置的减震性能是否符合要求。2.根据权利要求1所述的使用特征距离的先验概率的智能减震性能监控方法，其中，将所述第一振动向量和所述第二振动向量分别通过深度神经网络以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量，包括：将所述第一振动向量和所述第二振动向量分别通过一维卷积神经网络，以对所述第一振动向量和所述第二振动向量分别进行一维卷积处理，以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量。3.根据权利要求1所述的使用特征距离的先验概率的智能减震性能监控方法，其中，将所述第一振动向量和所述第二振动向量分别通过深度神经网络以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量，包括：将所述第一振动向量和所述第二振动向量分别通过多层感知机模型，以获得对应于所述第一振动向量的第一特征向量和对应于所述第二振动向量的第二特征向量。4.根据权利要求1所述的使用特征距离的先验概率的智能减震性能监控方法，其中，计算所述第一特征向量与所述第二特征向量之间的距离D，包括：计算所述第一特征向量与所述第二特征向量之间均方差，以获得所述距离D。5.根据权利要求1所述的使用特征距离的先验概率的智能减震性能监控方法，其中，计算所述第一特征向量与所述第二特征向量之间的距离D，包括：计算所述第一特征向量与所述第二特征向量之间按像素位置的L1距离，以获得差分特征向量；计算所述差分特征向量中各个位置的特征值的平均值，以获得所述距离D。...

【专利技术属性】
技术研发人员：张学志，
申请(专利权)人：广州星主数码科技有限公司，
类型：发明
国别省市：