【技术实现步骤摘要】
本专利技术涉及多点频域振动响应预测领域，具体而言，涉及一种基于mktl的多点频域振动响应预测方法、装置、设备及介质。
技术介绍
1、在实际工况条件下，针对多点频域振动响应预测问题时，噪声的出现不可忽视，其类型变化多样，针对不同类型的噪声提出一种鲁棒性与抗噪声能力较佳的多点频域振动响应预测模型很有必要。
2、目前研究中，单辅助域用于振动响应预测时对目标域的帮助有限，仅借助单个辅助域帮助目标域训练，会使得目标域学习时无法多维度汲取知识，导致在噪声多样的实际工况下，鲁棒性不强。另外，单源域迁移存在着信息不充分的问题，仅从一个源域迁移知识是局限的，很可能会发生负迁移的现象，迁移学习不够稳定。
3、有鉴于此，申请人在研究了现有的技术后特提出本申请。
技术实现思路
1、本专利技术旨在提供一种基于mktl的多点频域振动响应预测方法、装置、设备及介质，以改善上述问题。
2、为解决上述技术问题，本专利技术通过以下技术方案实现：
3、一种基于mktl的多点频域振动响应预测方法，包括：
4、s1，获取多个辅助测点在不同频率下的振动响应频域数据集合；其中，振动响应频域数据为自功率谱；
5、s2，以部分辅助测点的振动响应频域数据作为输出，部分辅助测点的振动响应频域数据作为输入，根据实际情况对输入的振动响应频域数据加入不同类型的噪声,分别训练各个输出辅助测点的bp-nn神经网络模型；
6、s3，将所述各个输出辅助测点的bp-n
7、s4，给定一个目标域的目标测点和bp-nn神经网络模型，将所述最优bp-nn神经网络模型的参数/知识迁移到目标域的bp-nn神经网络模型，并进行微调训练，获取用以预测目标测点的振动响应数据的bp-nn神经网络模型，即基于mktl的多点频域振动响应预测模型；
8、s5，获取目标域辅助测点的振动响应频域数据并输入所述基于mktl的多点频域振动响应预测模型，获取目标测点的振动响应频域数据。
9、优选地,定义频率，是总频率个数，所述不同类型的噪声包括高斯正态噪声、瑞利噪声、指数噪声和/或均匀噪声，加入噪声后的自功率谱表达式为：
10、
11、其中，是第个加入噪声后的自功率谱，是第个未加入噪声的自功率谱，是所加入噪声对应的实现方式。
12、优选地,所述两种多频率知识迁移学习形式包括第一迁移形式和第二迁移形式；所述第一迁移形式是将候选源域合并为一个大源域，对应的网络权重进行加权求平均操作的形式；所述第二迁移形式是单独训练、单独考虑每个源域，训练多个子模型并将之集成的形式；
13、所述两种源域存储机制包括第一源域存储机制和第二源域存储机制；所述第一源域存储机制是通过相似性度量和方差散度方法得出mmd_vd距离矩阵，在对第m个目标测点频率训练时，根据srt算法得出最佳迁移顺序，查找mmd_vd距离矩阵并在存储过的频率中选择最合适的进行微调训练，从而完成目标测点频率的训练；所述第二源域存储机制是通过srt算法得出的最佳迁移顺序，选择目标域的前m个辅助目标测点频率进行训练，不进行查找mmd_vd距离矩阵，从而完成目标测点频率的训练。
14、优选地,还包括在迁移训练过程中，采用优化函数对训练误差和预测误差进行优化，以缓解使用多源域迁移存储机制中的迁移形式时涉及多个辅助域，造成在不同源域间的差异性过大的缺陷，优化函数的公式如下：
15、
16、其中，为总优化的目标函数，为目标测点频率预测误差，表示第i个辅助测点频率的训练误差，表示设置的辅助测点频率数量，具体的优化公式为：
17、
18、其中，为响应预测的数量，，为总的预测响应值，为总的实际响应值，为第个辅助测点频率的实际响应值，为第个辅助测点频率的预测响应值。
19、优选地,bp-nn神经网络模型的网络结构包括1层输入层、1个输出层和6层隐藏层，所述6层隐藏层的神经元个数分别为256、128、128、64、64和32。
20、优选地,所述微调训练是在迁移过程中，将目标域的载荷数据与响应数据输入到冻结的网络中，将所述最优bp-nn神经网络模型的权值参数/知识作为该目标测点频率的网络模型权值初值，对网络后面两层的全连接层进行微调，从而达到模型迁移的目的。
21、本专利技术还提供了一种基于mktl的多点频域振动响应预测装置，包括：
22、数据样本获取模块,用于获取多个辅助测点在不同频率下的振动响应频域数据集合；其中，振动响应频域数据为自功率谱；
23、带噪源域训练模块,用于获得带噪声的神经网络振动响应预测模型，以部分辅助测点的振动响应频域数据作为输出，部分辅助测点的振动响应频域数据作为输入，根据实际情况对输入的振动响应频域数据加入不同类型的噪声,分别训练各个输出辅助测点的bp-nn神经网络模型；
24、多源迁移结合模块,用于获得最优bp-nn神经网络模型，将所述各个输出辅助测点的bp-nn神经网络模型作为源域的源模型，通过两种多频率知识迁移学习形式分别和两种源域存储机制结合，组成一种迁移形式结合一种源域存储机制的四种形式，分别融合所述各个输出辅助测点的bp-nn神经网络模型；然后分别对四种融合后的bp-nn神经网络模型进行综合对比，获取最优bp-nn神经网络模型；
25、模型迁移模块,用于获得基于mktl的多点频域振动响应预测模型，给定一个目标域的目标测点和bp-nn神经网络模型，将所述最优bp-nn神经网络模型的参数/知识迁移到目标域的bp-nn神经网络模型，并进行微调训练，获取用以预测目标测点的振动响应数据的bp-nn神经网络模型，即基于mktl的多点频域振动响应预测模型；
26、结果输出模块，用于获取目标测点的振动响应频域数据，获取目标域辅助测点的振动响应频域数据并输入所述基于mktl的多点频域振动响应预测模型，获取目标测点的振动响应频域数据。
27、本专利技术还提供了一种基于mktl的多点频域振动响应预测设备，包括处理器以及存储器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如上所述的一种基于mktl的多点频域振动响应预测方法。
28、本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如上所述的一种基于mktl的多点频域振动响应预测方法。
29、综上所述，与现有技术相比，本专利技术具有如下有益效果：本专利技术用部分辅助测点的振动响应频域数据加入不同类型的本文档来自技高网...
【技术保护点】
1.一种基于MKTL的多点频域振动响应预测方法，其特征在于，包括：
2.根据权利要求1所述的基于MKTL的多点频域振动响应预测方法，其特征在于,定义频率，是总频率个数，所述不同类型的噪声包括高斯正态噪声、瑞利噪声、指数噪声和/或均匀噪声，加入噪声后的自功率谱表达式为：
3.根据权利要求2所述的基于MKTL的多点频域振动响应预测方法，其特征在于,所述两种多频率知识迁移学习形式包括第一迁移形式和第二迁移形式；所述第一迁移形式是将候选源域合并为一个大源域，对应的网络权重进行加权求平均操作的形式；所述第二迁移形式是单独训练、单独考虑每个源域，训练多个子模型并将之集成的形式；
4.根据权利要求2所述的基于MKTL的多点频域振动响应预测方法，其特征在于,还包括在迁移训练过程中，采用优化函数对训练误差和预测误差进行优化，以缓解使用多源域迁移存储机制中的迁移形式时涉及多个辅助域，造成在不同源域间的差异性过大的缺陷，优化函数的公式如下：
5.根据权利要求4所述的基于MKTL的多点频域振动响应预测方法，其特征在于,BP-NN神经网络模型的网络结构包括1
6.根据权利要求5所述的基于MKTL的多点频域振动响应预测方法，其特征在于,所述微调训练是在迁移过程中，将目标域的载荷数据与响应数据输入到冻结的网络中，将所述最优BP-NN神经网络模型的权值参数/知识作为该目标测点频率的网络模型权值初值，对网络后面两层的全连接层进行微调，从而达到模型迁移的目的。
7.一种基于MKTL的多点频域振动响应预测装置，其特征在于，包括：
8.根据权利要求7所述的基于MKTL的多点频域振动响应预测装置，其特征在于，所述两种多频率知识迁移学习形式包括第一迁移形式和第二迁移形式；所述第一迁移形式是将候选源域合并为一个大源域，对应的网络权重进行加权求平均操作的形式；所述第二迁移形式是单独训练、单独考虑每个源域，训练多个子模型并将之集成的形式；
9.一种基于MKTL的多点频域振动响应预测设备，其特征在于，包括处理器以及存储器，所述存储器内存储有计算机程序，所述计算机程序能够被所述处理器执行，以实现如权利要求1-6任意一项所述的一种基于MKTL的多点频域振动响应预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被计算机可读存储介质所在设备的处理器执行时实现如权利要求1-6任意一项所述的一种基于MKTL的多点频域振动响应预测方法。
...【技术特征摘要】
1.一种基于mktl的多点频域振动响应预测方法，其特征在于，包括：
2.根据权利要求1所述的基于mktl的多点频域振动响应预测方法，其特征在于,定义频率，是总频率个数，所述不同类型的噪声包括高斯正态噪声、瑞利噪声、指数噪声和/或均匀噪声，加入噪声后的自功率谱表达式为：
3.根据权利要求2所述的基于mktl的多点频域振动响应预测方法，其特征在于,所述两种多频率知识迁移学习形式包括第一迁移形式和第二迁移形式；所述第一迁移形式是将候选源域合并为一个大源域，对应的网络权重进行加权求平均操作的形式；所述第二迁移形式是单独训练、单独考虑每个源域，训练多个子模型并将之集成的形式；
4.根据权利要求2所述的基于mktl的多点频域振动响应预测方法，其特征在于,还包括在迁移训练过程中，采用优化函数对训练误差和预测误差进行优化，以缓解使用多源域迁移存储机制中的迁移形式时涉及多个辅助域，造成在不同源域间的差异性过大的缺陷，优化函数的公式如下：
5.根据权利要求4所述的基于mktl的多点频域振动响应预测方法，其特征在于,bp-nn神经网络模型的网络结构包括1层输入层、1个输出层和6层隐藏层，所述6层隐藏层的神经元个数分别为256、128、128、64、64和32。
6.根据权利要求5所述的基于m...
【专利技术属性】
技术研发人员：王成，方艺鹏，崔振凯，卢惟铭，刘丰，许建军，
申请(专利权)人：华侨大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。