基于MKTL的多点频域振动响应预测方法、装置、设备及介质制造方法及图纸

本发明专利技术提供的基于MKTL的多点频域振动响应预测方法、装置、设备及介质，通过用部分辅助测点的振动响应频域数据加入不同类型的噪声后，训练一个多输入多输出的神经网络振动响应预测模型作为源域的源模型，以应对实际工况条件下噪声变化多样问题的振动响应鲁棒性预测；通过两种多频率知识迁移学习MKTL形式分别结合两种源域存储机制，采用一种迁移形式结合一种源域存储机制的多源域迁移存储机制，组成四种形式并进行融合、综合对比，得到最优BP‑NN神经网络模型，辅助目标域进行训练，达到模型迁移的目的。本发明专利技术实现了多个领域知识的综合学习，克服单源域迁移存在的信息不充分问题，增强了模型的鲁棒性，有效提高模型的预测精度和效果。

【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...

【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：