深学习技术发展分析图像数据是一个膨胀的和新兴的领域。从图像数据的跟踪，识别，测量和分拣的兴趣特点的好处有节约成本，时间，提高安全性无限的应用。许多研究都使用深卷积神经网络的图像数据进行分类的裂缝已进行;然而，最小的研究已经进行了研究网络性能的效果时使用的图像噪点。本文将解决这个问题，并致力于研究图像噪声对网络精度的影响。的方法中使用包含一个基准图像数据集，其被故意与两种类型的噪声的恶化，随后用图像增强预处理技术处理。这些图像，包括其本土的同行，然后被用于训练和验证两个不同的网络来研究的精度和性能的差异。从这项研究结果表明，嘈杂的图像具有中度到在网络上的能力进行准确分类的图像高的冲击，尽管图像预处理中的应用。一个新的指数已发展为找到分类的最有效的方法在计算时间和准确性方面。因此，AlexNet被选为基础上，提出了指数的最有效的模式。
translated by 谷歌翻译
在本文中，提出了一种原始数据驱动方法，用于使用仅输出响应来检测结构中的线性和非线性损坏。该方法部署变分模式分解（VMD）和用于信号处理和特征提取的广义自回归条件异染性（GARCH）模型。为此，VMD将响应信号分解为内在模式功能（IMF）。之后，使用GARCH模型来表示IMF的统计数据。 IMFS的模型系数构造主要特征向量。基于内核的主成分分析（PCA）和线性判别分析（LDA）用于通过将它们映射到新特征空间来降低主要特征的冗余。然后将信息性分别送入三个监督分类器，即支持向量机（SVM），K最近邻（KNN）和细树。在线性和非线性损伤评估方面，在两种实验缩放模型中评估了所提出的方法的性能。 Kurtosis和Arch测试证明了GARCH模型的兼容性。
translated by 谷歌翻译
本文提出了一种新的劣化和损坏识别程序（DIP）并应用于建筑模型。与这些类型的结构的应用相关的挑战与响应的强相关性有关，这在应对具有高噪声水平的真实环境振动时进一步复杂化。因此，利用低成本环境振动设计了DIP，以分析使用股票变换（ST）来产生谱图的加速响应。随后，ST输出成为建立的两系列卷积神经网络（CNNS）的输入，用于识别建筑模型的恶化和损坏。据我们所知，这是第一次通过高精度的ST和CNN组合在建筑模型中评估损坏和恶化。
translated by 谷歌翻译