Abstract：
大型结构健康监测系统的成功开发与应用,使得如何有效地利用来自监测系统大量冗余、互补的信息对结构的健康状况和损伤程度做出评估成为国内外研究的热点.本文由基本原理入手,将粗集、数据融合和概率神经网络有效地结合在一起,先用粗集进行数据处理和属性约简,然后运用具有较好处理噪声和不确定性推理的概率神经网络(PNN)进行数据融合和损伤识别,提出了一种基于粗集的特征级数据融合损伤识别新方法.为了验证所提方法的可行性和有效性,对一个7自由度剪切型框架的6种损伤模式进行了识别,并与没有经过粗集处理的PNN损伤识别方法进行了比较.研究发现,本文所提方法不仅可以降低数据的空间维数,减少计算时间,而且其损伤识别精度与没有属性约简的基本相同.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
Year： 2007
Page： 332-336
Language： Chinese
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 4
Affiliated Colleges：
