基于小波和遗传算法的AWPNN：高效结构损伤识别方法

本文主要探讨了"自适应小波概率神经网络损伤识别方法"，发表于2006年的学术期刊，针对的是大型结构健康监测系统中提高识别准确性和降低误报率的问题。作者姜绍飞、张帅和杨晓楠分别来自沈阳建筑大学土木工程学院和同济大学结构工程与防灾研究所。 小波变换是核心的信号处理工具，它利用其在时域和频域中同时表征信号的能力，有效地降噪并提取信号特征。研究者选择小波能量作为特征参数，这是因为它能捕捉到信号的重要动态信息，对于损伤识别尤其关键。 论文引入了概率神经网络（PNN），这是一种基于贝叶斯推理的模式识别技术，作为损伤识别分类器。PNN的特点在于其灵活性和对非线性关系的处理能力。为了进一步提升性能，研究人员采用了遗传算法来优化PNN模型中的圆滑参数σ，这种方法被称为自适应小波概率神经网络(AWPNN)。 AWPNN的优势在于其强大的抗噪声能力，即使在噪声强度高达40%的极端条件下，也能展现出高達98%的识别正确率。这证明了该方法在实际应用中的高效性和鲁棒性。作者通过ASCE的基准结构模型进行了深入的损伤识别实验，以此验证了AWPNN方法的有效性。 总结来说，本文的研究成果对于结构健康监测领域具有重要意义，特别是在提高识别精度和抵抗噪声干扰方面，展示了AWPNN作为一种新型损伤识别技术的巨大潜力。关键词包括损伤识别、小波变换、能量特征、概率神经网络和噪声，这些概念共同构成了本文的核心研究内容。