1.本发明涉及信号处理和结构健康监测技术领域，具体涉及一种结构健康监测信号压缩采样方法及装置。
背景技术：2.建筑物、构筑物等在长期使用的过程中，其结构性能难以避免地会受到环境侵蚀、人为破坏等因素的削弱，导致安全事故发生的几率增加。因此，进行工程结构的健康监测，通过监测土木工程结构在使用过程中的各项指标，对结构的安全隐患进行识别，针对可能会产生的安全问题进行预警，及时采取相应措施，具有重要意义。
3.由于结构健康监测具有集现代传感、数据传输、信号处理、结构状态评估等多种复杂前沿技术于一体的特性，其应用也面临着许多挑战性的难题。其中，对结构的动力响应数据进行高频采样是评估结构状态的重要环节，大量的监测数据给结构健康监测系统的数据采集和信号处理带来了巨大的工作压力，因此亟需一种有效的数据压缩与重构方法。
4.但是，压缩采样技术必须以信号的稀疏性特征为前提，即必须寻找到合适的稀疏基使信号在此基下足够稀疏，并嵌入稀疏正则项显性表达式才能进行稀疏优化。然而，现实中很多结构健康监测信号的稀疏基难以寻找，这导致传统压缩采样方法难以适用，因此需要发展一种既能保证信号重构精度而又不需要花费大量时间寻找合适稀疏基的压缩采样方法。
技术实现要素：5.鉴于上述问题，本发明提供了一种结构健康监测信号压缩采样方法及装置。
6.本发明一方面提供了一种结构健康监测信号压缩采样方法，包括：获取待测结构的健康监测信号，建立信号数据集；初始化第一生成器和第一判别器，构建生成对抗网络；随机产生具有初始维数的第一表征向量，将第一表征向量输入第一生成器，使用信号数据集初步训练生成对抗网络，得到训练好的第二生成器和第二判别器；随机产生一组具有初始维数的第二表征向量，将第二表征向量输入第二生成器，生成对应的类真实信号，计算类真实信号与信号数据集之间的相似度，作为第二生成器的生成能力；将第二表征向量的初始维数逐次均匀递减，将每次维数递减后的第二表征向量输入当前的生成器，使用特征提取模型对生成对抗网络进行迁移学习训练，在每次迁移学习训练结束后均判断当前生成器的生成能力和当前第二表征向量的维数是否各自满足对应的条件，如果是，则停止迁移学习训练，得到训练好的第三生成器和第三判别器；采用线性的观测矩阵，对健康监测信号进行压缩并加入随机噪声信号，得到压缩采样数据；随机产生一组具有本征维数的第三表征向量，作为第三生成器的输入，采用梯度下降算法并基于压缩采样数据来迭代优化第三表征向量，将优化后的第三表征向量重新输入第三生成器，生成健康监测信号对应的解压缩重构信号。
7.本发明另一方面提供了一种结构健康监测信号压缩采样装置，包括：监测信号获
取模块，用于获取待测结构的健康监测信号，建立信号数据集；络构建模块，用于初始化第一生成器和第一判别器，构建生成对抗网络；初步训练模块，用于随机产生具有初始维数的第一表征向量，将第一表征向量输入第一生成器，使用信号数据集初步训练生成对抗网络，得到训练好的第二生成器和第二判别器；生成能力计算模块，用于随机产生一组具有初始维数的第二表征向量，将第二表征向量输入第二生成器，生成对应的类真实信号，计算类真实信号与信号数据集之间的相似度，作为第二生成器的生成能力；迁移学习训练模块，用于将第二表征向量的初始维数逐次均匀递减，将每次维数递减后的第二表征向量输入当前的生成器，使用特征提取模型对生成对抗网络进行迁移学习训练，在每次迁移学习训练结束后均判断当前生成器的生成能力和当前第二表征向量的维数是否各自满足对应的条件，如果是，则停止迁移学习训练，得到训练好的第三生成器和第三判别器；压缩采样模块，用于采用线性的观测矩阵，对健康监测信号进行压缩并加入随机噪声信号，得到压缩采样数据；解压缩重构模块，用于随机产生一组具有本征维数的第三表征向量，作为第三生成器的输入，采用梯度下降算法并基于压缩采样数据来迭代优化第三表征向量，将优化后的第三表征向量重新输入第三生成器，生成健康监测信号对应的解压缩重构信号。
8.与现有技术相比，本发明提供的结构健康监测信号压缩采样方法及装置，至少具有以下有益效果：
9.(1)本发明提供的压缩采样方法与一般数据压缩方法相比，在采集过程中不需要完整的原始数据，只保留少量有效数据来表达信号，占用资源更少，传输过程中丢包几率更小，同时能够实现较高精度的重构效果。
10.(2)与传统压缩采样方法相比，本发明不需要监测信号具有的稀疏性特征，而是利用深度卷积生成对抗网络强大的特征学习能力，从监测信号大数据中学习其内部结构特征，将其应用于压缩采样，大大缓解了解压缩重构过程的不适定性，有助于打破传统方法对稀疏基的高度依赖，避免寻找合适稀疏基的繁琐过程。
11.(3)本发明引入迁移学习方法，在保证信号重构效率的同时，显著降低了求解空间的维度，因此缓解了重构过程对于观测数据完备程度的要求，提升了信号压缩比，进一步减少了在实际采样过程中的资源消耗，极大的提高了结构健康监测信号数据的采样与传输效率。
附图说明
12.通过以下参照附图对本发明实施例的描述，本发明的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
13.图1示意性示出了根据本发明实施例的结构健康监测信号压缩采样方法及装置的工作原理图；
14.图2示意性示出了根据本发明实施例的结构健康监测信号压缩采样方法的流程图；
15.图3示意性示出了根据本发明实施例的结构健康监测信号压缩采样方法的具体操作流程图；
16.图4示意性示出了根据本发明实施例的初步训练过程的流程图；
17.图5示意性示出了根据本发明实施例的相似度计算过程的流程图；
18.图6示意性示出了根据本发明实施例的迭代优化过程的流程图；
19.图7(a1)和图7(a2)示意性示出了根据本发明实施例的模拟正弦信号的重构效果图；
20.图7(b1)和图7(b2)示意性示出了根据本发明实施例的实际结构的健康监测信号的重构效果图；
21.图8示意性示出了根据本发明实施例的结构健康监测信号压缩采样装置的方框图。
具体实施方式
22.以下，将参照附图来描述本发明的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本发明实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
23.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
24.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
25.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。
26.附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。本发明的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外，本发明的技术可以采取存储有指令的计算机可读存储介质上的计算机程序产品的形式，该计算机程序产品可供指令执行系统使用或者结合指令执行系统使用。
27.基于深度卷积生成对抗网络的压缩采样方法不但通过生成模型约束了重构信号具有正确的特征，其求解空间也显著地降维至低维表征向量的空间中，大大降低了重构过程的不适定性。而低维表征向量的维度越低，该压缩采样方法对于观测数据的完备程度的要求也会相应降低。考虑到直接使用较低维度的表征向量将增加深度卷积生成对抗网络对数据特征进行学习的难度，本方法在深度卷积生成对抗网络的训练过程中引入迁移学习，在保证网络模型能够正确捕获到数据特征的前提下逐步压缩低维表征向量的维度数，进而加强上述压缩采样方法对于高度压缩的结构健康监测信号的重构性能。
28.目前，在结构健康监测领域中，突破对原始信号的稀疏性约束，基于迁移学习压缩
的深度卷积生成对抗网络的信号压缩采样方法，不但利用深度生成式网络模型摆脱了对原始信号的稀疏性要求，并且通过迁移学习压缩了网络模型的低维表征维度，大大提高了信号的重构精度和压缩比，同时普适性较强，能够较好地应用到结构健康监测领域的实际工程中。
29.图1示意性示出了根据本发明实施例的结构健康监测信号压缩采样方法及装置的工作原理图。
30.如图1所示，图中的ε表示采样、观测、传输等过程中产生的随机噪声。由于实际中的监测信号并没有高度稀疏性，传统压缩采样方法很难在高压缩比下保证原始信号的精确重构，因此需要发展一种能从少量压缩采样数据中准确地重构原始信号的压缩采样方法。利用基于迁移学习压缩的深度卷积生成对抗网络的结构健康监测信号压缩采样方法能够在高性能硬件上进行并行运算，具有极高的计算效率。由于实际工程中存在大量的结构健康监测信号需要分析，要求解压缩重构算法具备实时重构信号的能力，从而适用于本方法。
31.以下将基于图1描述的工作原理，通过图2～图7对本发明实施例的结构健康监测信号压缩采样方法进行详细描述。
32.图2示意性示出了根据本发明实施例的结构健康监测信号压缩采样方法的流程图。图3示意性示出了根据本发明实施例的结构健康监测信号压缩采样方法的具体操作流程图。
33.结合图2和图3所示，该实施例的结构健康监测信号压缩采样方法可以包括操作s220～操作s270。
34.在操作s220，获取待测结构的健康监测信号，建立信号数据集。
35.该健康监测信号例如可以为待测结构监测到的加速度响应信号d，用于训练后续建立的生成对抗网络。
36.在操作s220，初始化第一生成器和第一判别器，构建生成对抗网络。
37.本发明实施例中，基于零均值高斯分布随机初始化第一生成器和第一判别器的网络参数。其中，第一生成器和第一判别器的网络结构均可以依次包括5层一维卷积层、批标准化层和激活函数层，生成对抗网络使用adam优化器来反向更新第一生成器和第一判别器的网络参数。
38.在操作s230，随机产生具有初始维数的第一表征向量，将第一表征向量输入第一生成器，使用信号数据集初步训练生成对抗网络，得到训练好的第二生成器和第二判别器。
39.例如，选取一较大值k0作为第一表征向量z的初始维数，基于一维卷积层构建深度卷积生成对抗网络的第一生成器g和第一判别器d，降低网络模型的参数规模，防止训练过程中出现过拟合现象。
40.通过对抗训练的方式对参数进行调优，使得第一生成器g能够生成较为逼真的类真实信号。在训练完毕后，得到训练好的第二生成器g和第二判别器d的网络参数分别记为。
41.在操作s240，随机产生一组具有初始维数的第二表征向量，将第二表征向量输入第二生成器，生成对应的类真实信号，计算类真实信号与信号数据集之间的相似度，作为第二生成器的生成能力。
42.训练得到生成效果较好的生成器后，随机产生一组与第一表征向量具有相同维数的第二表征向量，生成相应的类真实信号。类真实信号与信号数据集之间的相似度，可以作为评估该第二生成器的生成能力的量化指标si0。
43.在操作s250，将第二表征向量的初始维数逐次均匀递减，将每次维数递减后的第二表征向量输入当前的生成器，使用特征提取模型对生成对抗网络进行迁移学习训练，在每次迁移学习训练结束后均判断当前生成器的生成能力和当前第二表征向量的维数是否各自满足对应的条件，如果是，则停止迁移学习训练，得到训练好的第三生成器和第三判别器。
44.基于前述初步训练之后，还需对该生成对抗网络进行迁移学习训练，以得到生成效果较好的第三生成器和第三判别器。
45.在操作s260，采用线性的观测矩阵，对健康监测信号进行压缩并加入随机噪声信号，得到压缩采样数据。
46.在操作s270，随机产生一组具有本征维数的第三表征向量，作为第三生成器的输入，采用梯度下降算法并基于压缩采样数据来迭代优化第三表征向量，将优化后的第三表征向量重新输入第三生成器，生成健康监测信号对应的解压缩重构信号。
47.通过本发明的实施例，为解决现有结构健康监测信号压缩采样方法要求原始信号具有高度稀疏性，当信号的稀疏性不能满足要求时，将会出现重构精度低、计算速度慢等问题，本发明采用深度卷积生成对抗网络从监测信号的大数据中学习其内部结构特征，打破信号的解压缩重构对稀疏性的高度依赖，并基于迁移学习方法渐进地压缩网络模型的低维表征维度，实现仅需要少量压缩采样数据的高精度重构，能够较好地应用于实际工程。
48.图4示意性示出了根据本发明实施例的初步训练过程的流程图。
49.如图4所示，上述操作s230中的将第一表征向量输入第一生成器，使用信号数据集初步训练生成对抗网络，具体可以包括操作s2301～操作s2303。
50.在操作s2301，将第一表征向量输入第一生成器，输出生成信号。
51.第一表征向量z基于标准高斯分布随机产生，将其输入第一生成器，输出具有真实信号特征的生成信号。
52.在操作s2302，将生成信号和信号数据集中的健康监测信号输入第一判别器，输出判别结果，判别结果为判断信号来自于信号数据集的概率。
53.将生成信号和训练数据集中的真实信号d输入第一判别器d进行鉴别，判断信号来自于训练数据集的概率。
54.在操作s2303，通过最小化第一生成器的第一目标函数和第一判别器的第二目标函数，分别交替更新第一生成器和第一判别器的网络参数，初步训练生成对抗网络。
55.进一步地，第一生成器的第一目标函数和第一判别器的第二目标函数分别根据以下公式计算得出：
[0056][0057][0058]
其中，lg表示第一生成器的第一目标函数；z表示第一表征向量；表示第一
表征向量服从其数据分布规律pz；g(z)表示第一生成器输出的生成信号；d(g(z))表示第一判别器输出的生成信号的判别结果；ld表示第一判别器的第二目标函数；表示健康监测信号d服从其数据分布规律p
data
(d)；d(d)表示第一判别器输出的健康监测信号的判别结果。
[0059]
图5示意性示出了根据本发明实施例的相似度计算过程的流程图。
[0060]
如图5所示，上述操作s240中的计算类真实信号与信号数据集之间的相似度，具体可以包括操作s2401～操作s2403。
[0061]
在操作s2401，引入基于深度残差收缩网络构建的预训练诊断分类模型，在对信号数据集进行分类之前进行数据截断，得到特征提取模型。
[0062]
该预训练诊断分类模型为一种开源的网络模型，通过数据截断得到的加速度响应信号的特征提取模型。
[0063]
在操作s2402，使用特征提取模型分别提取类真实信号和信号数据集的高维特征，使用多元正态分布分别对两个高维特征进行拟合，得到类真实信号拟合特征和信号数据集拟合特征。
[0064]
使用特征提取模型，分别提取类真实信号和信号数据集的高维特征：。然后，使用多元正态分布对这两个高维特征分别进行拟合，得到类真实信号拟合特征和信号数据集拟合特征：信号拟合特征和信号数据集拟合特征：。
[0065]
在操作s2403，计算类真实信号拟合特征与信号数据集拟合特征之间的弗雷歇距离，将弗雷歇距离确定为类真实信号与信号数据集之间的相似度。
[0066]
弗雷歇距离(fr
é
chet distance)是法国数学家在1906年提出的一种路径空间相似形描述，这种描述同时还考虑进路径空间距离的因素，对于空间路径的相似性比较适用。
[0067]
具体地，类真实信号拟合特征与信号数据集拟合特征之间的弗雷歇距离根据以下公式计算得出：
[0068][0069]
式中，μr和∑r分别表示信号数据集拟合特征的期望和协方差矩阵；μg和∑g分别表示类真实信号拟合特征的期望和协方差矩阵；tr()表示方阵的迹，也即方阵的主对角线元素之和；si0表示弗雷歇距离，也即第二生成器的生成能力。
[0070]
请继续参阅图3，本发明实施例中，上述操作s250中的当前生成器的生成能力和当前第二表征向量的维数各自满足对应的条件，具体可以包括：当前生成器的生成能力与第二生成器的生成能力之间的误差小于预设误差阈值；以及，当前第二表征向量的维数达到指定维数。
[0071]
其中，当前生成器的生成能力与第二生成器的生成能力之间的误差小于预设误差阈值，也即，其中，∈为预设误差阈值。
[0072]
进一步地，该指定维数为信号数据集的本征维数(intrinsic dimension)，在本征维数下，第二表征向量的维数无法继续降低。
[0073]
请参阅图3，上述操作s250具体来说，是将当前的生成器的网络架构中的第二表征向量的维数k0减小至ki，i＝1，...，p，其余网络架构保持不变，p为指定递减次数。在每次迁
移学习训练结束后，对于训练完毕的网络参数与，使用迁移学习中的特征提取(feature extractor)模型对生成对抗网络进行迁移学习训练，具体是对与当前第二表征向量相连接部分的网络参数进行调整。
[0074]
每次迁移学习训练结束后均计算当前生成器的生成能力，基于此调整迁移学习训练的超参数，直至，得到能以更低维的第二表征向量生成类真实信号的生成器。重复上述过程，直至第二表征向量的维度数k
p
′
无法继续降低，保持此时的生成器g与判别器d的网络参数(，简记为θg、θd)不再改变，由此得到训练好的第三生成器和第三判别器训练好的第三生成器和第三判别器训练好的第三生成器和第三判别器。
[0075]
本发明实施例中，观测矩阵的行数小于列数，观测矩阵的初始值从零均值高斯分布中随机产生。
[0076]
请继续参阅图3，上述操作s260具体来说，是基于线性的观测矩阵，对待测结构监测到的健康监测信号，该健康监测信号为高维原始信号，进行压缩得到初步压缩采样数据y＝ax，。其中，观测矩阵的行数m远小于列数n，以此实现数据压缩。上述观测矩阵首先从零均值高斯分布中随机产生，随后进行修改，保证原始信号经压缩采样后仍保留一定的空间位置特征，便于后续进行重构。同时，为了增加模型的鲁棒性，在压缩采样过程中加入随机噪声信号ε，因此，得到的压缩采样数据y＝ax+ε，。
[0077]
进一步地，为了保证原始信号经压缩采样后仍保留一定的空间位置特征，该观测矩阵具体可以为：不失一般性地，假设观测矩阵的行数与列数具有最大公约数(m，n)，则其可以转化为只保留若干子块，而其余部分的元素置零的形式：
[0078][0079]
其中，观测矩阵a的行数远小于列数，以此实现数据压缩。该观测矩阵相当于对原始信号进行分段压缩，因而能够保留部分空间特征。
[0080]
图6示意性示出了根据本发明实施例的迭代优化过程的流程图。
[0081]
如图6所示，上述操作s270中的采用梯度下降算法并基于压缩采样数据来迭代优化第三表征向量，具体可以包括操作s2701～操作s2703。
[0082]
在操作s2701，将第三表征向量输入第三生成器，得到对应的生成信号。
[0083]
第三表征向量z
(0)
也是基于标准高斯分布随机产生，其维数为前述确定的k
p
′
。
[0084]
在操作s2702，根据生成信号和压缩采样数据，建立预设目标函数。
[0085]
具体地，该预设目标函数根据以下公式来计算：
[0086][0087]
其中，y表示压缩采样数据；a表示观测矩阵；q表示梯度下降算法的总迭代次数；z
(j)
表示第j次迭代优化后的第三表征向量；表示第j次迭代优化后的第三表征向量在第三生成器中输出的类真实信号；||
·
||2表示范数运算；lj表示第j次迭代优化后的预设目标函数。
[0088]
在操作s2703，通过最小化预设目标函数来对第三表征向量进行迭代优化。
[0089]
由此，通过梯度下降算法迭代优化第三表征向量，实现生成信号向真实的健康监测信号的逼近。基于最小化预设目标函数选取最优的第三表征向量，得到健康监测信号对应的解压缩重构信号：。
[0090]
基于上述公开内容，请继续结合图3，本发明的一具体实施例特别针对正弦模拟信号和实际监测信号两种情况下的信号进行压缩采样，所使用的正弦模拟信号和实际监测信号的信号序列长度均为512个点。
[0091]
下面利用本发明提供的结构健康监测信号压缩采样方法，对结构健康监测信号进行压缩采样，以及解压缩重构。
[0092]
具体地，该模拟信号信号x的构建方式如下式所示：
[0093][0094]
其中，ai～u(0，1)，wi～u(1，20)，，u表示均匀分布，ai表示幅值，wi表示频率；表示相位。
[0095]
实际监测信号采用某大桥的加速度监测信号，由加速度传感器采得的信号划分而得。两种信号均划分为序列长度为512个点的短信号，构成信号数据集。
[0096]
首先，建立第一生成器g和第一判别器d的网络架构。第一生成器g和第一判别器d均由5层一维卷积层、批标准化层和激活函数层组成。接着，第一生成器g输入从零均值正态分布随机采样的100维的第一表征向量z，输出序列长度为512个点的短信号；第一判别器d输入512维信号向量，输出一个在0到1的数值。优化器选用adam优化器，初始化训练参数，训练深度卷积生成对抗网络，进行参数调优，使得训练好的第二生成器g能够生成较为逼真的模拟信号，保持第二生成器g和第二判别器d网络参数不再变化。
[0097]
接着，训练得到生成效果较好的第二生成器后，随机生成一组第二表征向量，生成对应的类真实信号，并计算其与信号数据集之间的相似度，作为该生成器的生成能力的量化指标si0；
[0098]
然后，将第二表征向量的维度数100减小至ki，i＝1，...，p，其余网络架构保持不变。基于训练完毕的网络参数与，使用迁移学习中的特征提取器模式重新训练与低维表征向量相连接部分的网络参数。训练过程中，每步迭代结束后均计算当前生成器的生成能力，基于此调整迁移学习训练的超参数，直至，得到能以更低维的表征向量生成类真实信号的生成器。重复上述过程，直至低维表征向量的维度数k
p
＝10时无法继续降低，保持此时的第三生成器g与第三判别器d的网络参数θg、θd不再改变；
[0099]
再次，基于零均值高斯分布构建并改造线性观测矩阵，其中
压缩观测矩阵a含有若干子块，a＝1，...，128，其余部分的元素置零信号。为了增加模型的鲁棒性，在压缩采样过程中加入噪音，获得压缩采样数据y＝ax+ε。其中，压缩观测矩阵a的行数为128，列数为512，测量矩阵a满足行数小于列数，以达到数据压缩效果，即数据压缩4倍。
[0100]
最后，初始化随机向量个数为100，从零均值正态分布中随机采样维数为10的低维向量。设置各项优化参数(优化次数、学习率等)。对于每一组低维向量，输入压缩数据y与信号重构生成器，利用目标函数，通过梯度下降算法迭代优化低维表征向量，实现生成信号向观测数据的逼近。基于最小的目标函数值选取最优的低维表征向量，得到解压缩重构信号。
[0101]
图7(a1)和图7(a2)示意性示出了根据本发明实施例的模拟正弦信号的重构效果图。图7(b1)和图7(b2)示意性示出了根据本发明实施例的实际结构的健康监测信号的重构效果图。
[0102]
其中，图7(a1)和图7(b1)均为原始高维信号，分别为模拟正弦信号和健康监测信号，图7(a2)和图7(b2)均为重构信号，分别为对应于模拟正弦信号和健康监测信号的重构信号。
[0103]
对重构信号和原始高维信号进行对比，可以看出，本发明提供的方法实现了在高压缩率下精确地重建出保留原始高维信号特征的类真实信号，同时重构结果具有不错的鲁棒性。
[0104]
综上所述，本发明提出的方法具体包括迁移学习压缩的深度卷积生成对抗网络的压缩采样观测矩阵的设计、深度卷积生成对抗网络的网络架构设计、网络模型参数的设置、迁移学习的应用、最优低维表征向量的求取等。本发明基于生成式网络模型的信号重构方法不但摆脱了对原始信号的稀疏性要求，并且通过迁移学习压缩了网络模型的低维表征维度，大大提高了信号的重构精度和压缩比，同时深度卷积生成对抗网络的方法更多地采用卷积及转置卷积层，具有更少的参数，重构速度较快。该模型在压缩采样过程中改造了观测矩阵，能够保留部分空间特征，更容易解压重构，重构准确率更高。
[0105]
基于上述结构健康监测信号压缩采样方法，本发明还提供了一种结构健康监测信号压缩采样装置。以下将结合图8对该装置进行详细描述。
[0106]
图8示意性示出了根据本发明实施例的结构健康监测信号压缩采样装置的方框图。
[0107]
如图8所示，该实施例的结构健康监测信号压缩采样装置800包括监测信号获取模块810、网络结构构建模块820、初步训练模块830、生成能力计算模块840、迁移学习训练模块850、压缩采样模块860和解压缩重构模块870。
[0108]
监测信号获取模块810，用于获取待测结构的健康监测信号，建立信号数据集。
[0109]
网络结构构建模块820，用于初始化第一生成器和第一判别器，构建生成对抗网络。
[0110]
初步训练模块830，用于随机产生具有初始维数的第一表征向量，将第一表征向量输入第一生成器，使用信号数据集初步训练生成对抗网络，得到训练好的第二生成器和第二判别器。
[0111]
生成能力计算模块840，用于随机产生一组具有初始维数的第二表征向量，将第二表征向量输入第二生成器，生成对应的类真实信号，计算类真实信号与信号数据集之间的相似度，作为第二生成器的生成能力。
[0112]
迁移学习训练模块850，用于将第二表征向量的初始维数逐次均匀递减，将每次维数递减后的第二表征向量输入当前的生成器，使用特征提取模型对生成对抗网络进行迁移学习训练，在每次迁移学习训练结束后均判断当前生成器的生成能力和当前第二表征向量的维数是否各自满足对应的条件，如果是，则停止迁移学习训练，得到训练好的第三生成器和第三判别器。
[0113]
压缩采样模块860，用于采用线性的观测矩阵，对健康监测信号进行压缩并加入随机噪声信号，得到压缩采样数据。
[0114]
解压缩重构模块870，用于随机产生一组具有本征维数的第三表征向量，作为第三生成器的输入，采用梯度下降算法并基于压缩采样数据来迭代优化第三表征向量，将优化后的第三表征向量重新输入第三生成器，生成健康监测信号对应的解压缩重构信号。
[0115]
需要说明的是，装置部分的实施例方式与方法部分的实施例方式对应类似，并且所达到的技术效果也对应类似，具体细节请参照上述方法实施例方式部分，在此不再赘述。
[0116]
根据本发明的实施例，监测信号获取模块810、网络结构构建模块820、初步训练模块830、生成能力计算模块840、迁移学习训练模块850、压缩采样模块860和解压缩重构模块870中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，监测信号获取模块810、网络结构构建模块820、初步训练模块830、生成能力计算模块840、迁移学习训练模块850、压缩采样模块860和解压缩重构模块870中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，监测信号获取模块810、网络结构构建模块820、初步训练模块830、生成能力计算模块840、迁移学习训练模块850、压缩采样模块860和解压缩重构模块870中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0117]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0118]
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可
以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
[0119]
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。
技术特征：1.一种结构健康监测信号压缩采样方法，其特征在于，包括：获取待测结构的健康监测信号，建立信号数据集；初始化第一生成器和第一判别器，构建生成对抗网络；随机产生具有初始维数的第一表征向量，将所述第一表征向量输入所述第一生成器，使用所述信号数据集初步训练所述生成对抗网络，得到训练好的第二生成器和第二判别器；随机产生一组具有所述初始维数的第二表征向量，将所述第二表征向量输入所述第二生成器，生成对应的类真实信号，计算所述类真实信号与所述信号数据集之间的相似度，作为所述第二生成器的生成能力；将所述第二表征向量的初始维数逐次均匀递减，将每次维数递减后的第二表征向量输入当前的生成器，使用特征提取模型对所述生成对抗网络进行迁移学习训练，在每次迁移学习训练结束后均判断当前生成器的生成能力和当前第二表征向量的维数是否各自满足对应的条件，如果是，则停止所述迁移学习训练，得到训练好的第三生成器和第三判别器；采用线性的观测矩阵，对所述健康监测信号进行压缩并加入随机噪声信号，得到压缩采样数据；随机产生一组具有本征维数的第三表征向量，作为所述第三生成器的输入，采用梯度下降算法并基于所述压缩采样数据来迭代优化所述第三表征向量，将优化后的第三表征向量重新输入所述第三生成器，生成所述健康监测信号对应的解压缩重构信号。2.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，所述健康监测信号为待测结构监测到的加速度响应信号。3.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，所述第一生成器和第一判别器的网络结构均依次包括5层一维卷积层、批标准化层和激活函数层，所述生成对抗网络使用adam优化器来反向更新生成器和判别器的网络参数。4.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，基于零均值高斯分布随机初始化生成器和判别器的网络参数，所述第一表征向量和第三表征向量均基于标准高斯分布随机产生。5.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，所述将所述第一表征向量输入所述第一生成器，使用所述信号数据集初步训练所述生成对抗网络，具体包括：将所述第一表征向量输入第一生成器，输出生成信号；将所述生成信号和所述信号数据集中的健康监测信号输入第一判别器，输出判别结果，所述判别结果为判断信号来自于所述信号数据集的概率；通过最小化第一生成器的第一目标函数和第一判别器的第二目标函数，分别交替更新第一生成器和第一判别器的网络参数，初步训练所述生成对抗网络。6.根据权利要求5所述的结构健康监测信号压缩采样方法，其特征在于，所述第一生成器的第一目标函数和第一判别器的第二目标函数分别根据以下公式计算得出：器的第一目标函数和第一判别器的第二目标函数分别根据以下公式计算得出：
其中，l
g
表示第一生成器的第一目标函数；z表示第一表征向量；表示第一表征向量服从其数据分布规律pz；g(z)表示第一生成器输出的生成信号；d(g(z))表示第一判别器输出的生成信号的判别结果；l
d
表示第一判别器的第二目标函数；表示健康监测信号d服从其数据分布规律pdata(d)；d(d)表示第一判别器输出的健康监测信号的判别结果。7.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，所述计算所述类真实信号与所述信号数据集之间的相似度，具体包括：引入基于深度残差收缩网络构建的预训练诊断分类模型，在对所述信号数据集进行分类之前进行数据截断，得到特征提取模型；使用所述特征提取模型分别提取所述类真实信号和信号数据集的高维特征，使用多元正态分布分别对两个所述高维特征进行拟合，得到类真实信号拟合特征和信号数据集拟合特征；计算所述类真实信号拟合特征与信号数据集拟合特征之间的弗雷歇距离，将所述弗雷歇距离确定为所述类真实信号与所述信号数据集之间的相似度。8.根据权利要求7所述的结构健康监测信号压缩采样方法，其特征在于，所述类真实信号拟合特征与信号数据集拟合特征之间的弗雷歇距离根据以下公式计算得出：其中，μ
r
和∑
r
分别表示信号数据集拟合特征的期望和协方差矩阵；μ
g
和∑
g
分别表示类真实信号拟合特征的期望和协方差矩阵；tr()表示方阵的迹，也即方阵的主对角线元素之和；si0表示弗雷歇距离，也即第二生成器的生成能力。9.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，所述当前生成器的生成能力和当前第二表征向量的维数各自满足对应的条件，具体包括：当前生成器的生成能力与所述第二生成器的生成能力之间的误差小于预设误差阈值；当前第二表征向量的维数达到指定维数。10.根据权利要求9所述的结构健康监测信号压缩采样方法，其特征在于，所述指定维数为所述信号数据集的本征维数，在所述本征维数下，所述第二表征向量的维数无法继续降低。11.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，所述观测矩阵的行数小于列数，所述观测矩阵的初始值从零均值高斯分布中随机产生。12.根据权利要求1所述的结构健康监测信号压缩采样方法，其特征在于，所述采用梯度下降算法并基于所述压缩采样数据来迭代优化所述第三表征向量，具体包括：将所述第三表征向量输入所述第三生成器，得到对应的生成信号；根据所述生成信号和所述压缩采样数据，建立预设目标函数；通过最小化所述预设目标函数来对所述第三表征向量进行迭代优化。13.根据权利要求12所述的结构健康监测信号压缩采样方法，其特征在于，所述预设目标函数根据以下公式来计算：
其中，y表示压缩采样数据；a表示观测矩阵；q表示梯度下降算法的总迭代次数；z
(j)
表示第j次迭代优化后的第三表征向量；表示第j次迭代优化后的第三表征向量在第三生成器中输出的类真实信号；||
·
||2表示范数运算；l
j
表示第j次迭代优化后的预设目标函数。14.一种结构健康监测信号压缩采样装置，其特征在于，包括：监测信号获取模块，用于获取待测结构的健康监测信号，建立信号数据集；网络结构构建模块，用于初始化第一生成器和第一判别器，构建生成对抗网络；初步训练模块，用于随机产生具有初始维数的第一表征向量，将所述第一表征向量输入所述第一生成器，使用所述信号数据集初步训练所述生成对抗网络，得到训练好的第二生成器和第二判别器；生成能力计算模块，用于随机产生一组具有所述初始维数的第二表征向量，将所述第二表征向量输入所述第二生成器，生成对应的类真实信号，计算所述类真实信号与所述信号数据集之间的相似度，作为所述第二生成器的生成能力；迁移学习训练模块，用于将所述第二表征向量的初始维数逐次均匀递减，将每次维数递减后的第二表征向量输入当前的生成器，使用特征提取模型对所述生成对抗网络进行迁移学习训练，在每次迁移学习训练结束后均判断当前生成器的生成能力和当前第二表征向量的维数是否各自满足对应的条件，如果是，则停止所述迁移学习训练，得到训练好的第三生成器和第三判别器；压缩采样模块，用于采用线性的观测矩阵，对所述健康监测信号进行压缩并加入随机噪声信号，得到压缩采样数据；解压缩重构模块，用于随机产生一组具有本征维数的第三表征向量，作为所述第三生成器的输入，采用梯度下降算法并基于所述压缩采样数据来迭代优化所述第三表征向量，将优化后的第三表征向量重新输入所述第三生成器，生成所述健康监测信号对应的解压缩重构信号。
技术总结本发明提供了一种结构健康监测信号压缩采样方法及装置，涉及信号处理和结构健康监测技术领域。该方法包括迁移学习压缩的深度卷积生成对抗网络的压缩采样观测矩阵的设计、深度卷积生成对抗网络的网络架构设计、网络模型参数的设置、迁移学习的应用、最优低维表征向量的求取等。本发明利用深度卷积生成对抗网络强大的特征学习能力，从监测信号大数据中学习其内部结构特征，将其应用于压缩采样，大大缓解了解压缩重构过程的不适定性，有助于打破传统方法对稀疏基的高度依赖，避免寻找合适稀疏基的繁琐过程。的繁琐过程。的繁琐过程。
技术研发人员：金耀 李知强 王俊博 谭啸 崔营营 何文君 鲁昆
受保护的技术使用者：宜昌长江大桥建设营运集团有限公司
技术研发日：2022.07.05
技术公布日：2022/11/1
