关键词： 异常交易行为   区块链   数据分析   模式识别   地址聚类  

摘要： 随着区块链技术的发展,区块链因其去中心化、不易监管等特性而常被用于非法金融活动之中,采用技术手段检测区块链中的异常交易行为,对区块链异常交易行为进行监测和管理,对于保护区块链系统的生态,保障金融和社会安全,具有重大意义。目前在区块链异常交易行为识别方法中存在三个方面问题:第一个方面是区块链匿名性带来的异常交易行为识别目标不明确,并且当前算法中间过程不可追溯以及反复性工作导致的算法运行效率低等问题;第二个方面是区块链交易行为难以准确刻画和预测,在海量交易数据中图方法计算效率低等问题;第三个方面是区块链异常交易行为识别方法考虑维度单一,在区块链交易池堆积等场景中识别的准确率不足等问题。为了解决上述三个问题,本文研究更加高效和准确的区块链异常交易行为识别方法,主要研究内容和创新点如下:1)针对区块链交易实体身份匿名化、交易信息碎片化带来的异常交易行为识别目标不明确的问题,研究基于启发式地址聚类的区块链交易实体增量识别方法。在UTXO账本模型中,如何将交易地址划分为交易实体,是区块链异常交易行为识别的基础。本文提出了三种启发式方法来改进现有的基于关联及聚合方法的区块链地址聚类算法,包括研究找零地址识别、交易自治消息识别以及混币交易识别等地址聚类优化方法。同时,针对比特币地址聚类方法的中间过程不可追溯、反复性工作导致的算法运行效率低等问题,研究基于交易实体的比特币地址增量聚类方法,解决地址聚类的中间过程无法存储和分析的问题。2)针对现有基于交易图的区块链交易行为的预测方法在海量数据中处理效率低的问题,本文以以太坊区块链为例,研究基于交易子图划分的区块链交易行为预测方法。通过从以太坊区块数据中提取交易关系,构建了以交易地址为节点、以交易关系为边的交易图,提出一种交易子图的构建方法,可以根据连通性将交易图划分为交易子图。针对特征提取困难和准确率低的问题,在交易子图划分算法的基础上,提出一种基于图神经网络的随机游走算法,该算法能考虑交易金额、交易时间和其他因素。为了提高区块链交易行为预测的准确率,提出一种节点链接关系测量方法,并通过真实的交易数据实验验证了该方法的有效性。3)在研究区块链异常交易行为识别的目标和行为模式的基础上,提出了一种多维度的区块链异常交易行为识别方法。在交易自身异常交易行为识别方案中,通过验证交易目的是否为数字货币转移,从而判断交易本身的目的,进而推测其中是否存在异常交易行为。通过设计区块链交易自治消息提取和预处理方法,搭建基于深度学习模型的交易自治消息分析系统,并最终形成了比特币交易自治消息数据集。在链上交易间的异常交易行为识别方案中,除了考虑传统的交易关联关系外,还提出了考虑交易时间依赖关系的异常交易行为识别方法。该方法能够以较高准确率识别如混币等需要大量交易实现的异常交易行为。通过设计实现区块链交易内存池监测算法,能够在区块链交易池堆积的情况下实现异常交易行为的识别。此外,本文还提出了一种基于可视分析的异常交易行为识别方法,能够将存在时间依赖关系的交易从列表形式转化为图表形式,使得能更加直观的判断其中的异常交易行为。

关键词： 薄壁吸能结构   耐撞性优化   碰撞变形模式   深度聚类   多模态融合预测  

摘要： 薄壁吸能结构的碰撞塑性变形过程十分复杂多变,在实际工程应用及结构设计过程中常常出现屈曲、失稳等多种不理想的碰撞变形模式。然而传统的结构耐撞性优化方法由于无法合理的表示结构碰撞变形过程,因此,难以在优化过程中构建结构碰撞变形约束,进而无法保证最终优化结果符合预期的碰撞变形模式。因此,对碰撞变形模式约束下的结构耐撞性优化问题展开研究具有重要实际工程意义。本文围绕碰撞变形模式约束下结构耐撞性优化问题,以薄壁圆管为耐撞性优化研究对象,开展了对于薄壁结构碰撞变形模式的深度聚类优化方法研究。本文的主要研究工作有: 通过分析传统结构耐撞性优化中难以对结构碰撞变形过程进行有效的量化表示的原因,深入剖析了碰撞变形模式约束下结构耐撞性优化问题所需要解决的技术难点,给出了各技术难点的解决思路,并基于此提出了薄壁结构碰撞变形模式深度聚类优化方法的基本架构和流程。该方法的主要思想是通过代理模型以及结构碰撞变形模式深度聚类模型,预测并识别结构碰撞变形模式,并以此构建碰撞变形模式约束,控制结构耐撞性优化过程中种群个体的生成,确保最终优化结果符合预期的结构碰撞变形模式。 提出了基于有限元网格节点坐标点云数据的结构碰撞变形表示方法,该方法以结构碰撞过程有限元网格节点点云序列作为结构碰撞变形过程的表示形式。并基于此方法,利用经过碰撞试验验证的有限元仿真结果,构建了金属薄壁圆管的结构碰撞分析数据集。 结合机器学习领域多模态融合相关理论,提出了一种薄壁结构碰撞过程多模态融合预测方法。试验证明,该方法构建的代理模型对于结构耐撞性响应和碰撞变形表示的预测结果与有限元仿真结果的各项相对误差均在5%以内,但计算速度却是有限元仿真的8169倍,极大的提高了碰撞变形模式约束下结构耐撞性优化的效率。 提出了一种基于伪标签的结构碰撞变形模式深度聚类方法。并通过实验设计研究了其对于薄壁圆管碰撞变形模式的聚类结果与人工分类结果之间的差异,实验结果显示,该方法在使用Simsiam预训练模型作为特征提取器时,准确率最高达到92.17%,不仅接近监督学习下98.50%的准确率,而且相较于传统深度聚类方法的准确率仍然有16.84%的提升。此外研究了不同聚类数对其聚类效果的影响,结果表明该方法能够有效的识别变形过程相似的样本,并且在聚类数大于人工标签数的情况下具有寻找新的变形模式的能力。 在以上研究成果的基础上,开展了轴向碰撞变形模式约束下的薄壁圆管耐撞性多目标优化。提出了一种基于NSGA Ⅱ遗传算法的碰撞变形模式约束下结构耐撞性多目标优化方法,通过构建薄壁圆管的碰撞变形模式约束,分别在有无碰撞变形模式约束下对薄壁圆管进行耐撞性优化,并通过有限元仿真对优化结果进行验证。实验结果表明,相较于无碰撞变形模式约束条件下,该方法能够有效控制耐撞性优化结果的结构碰撞变形模式,使其符合期望的碰撞变形模式。图 61幅,表22个,参考文献230篇

摘要： Following the future work of Ma et al. (2023), this thesis investigates to what extent a semi-supervised Graph Convolutional Neural Network (GCNN) is capable of identifying transportation modes using GPS trajectories. The existing semisupervised GCNN framework developed by Kipf & Welling (2017) is utilized as the basis, but the original semi-supervised propagation mechanism is replaced with the Pseudo-Labelling method from Lee et al. (2013) and Cumulative Pseudo- Labelling from Cascante-Bonilla et al. (2021). To improve the association detection between GPS trajectories, this study showed that the grid approach with a grid size of 0.0004 as a preprocessing step can make a significant difference in finding associations between GPS trajectories. The semi-supervised GCNN model tested in this study outperforms baselines implemented without a grid approach. When only labelled data points are used, the model is able to achieve an accuracy of 0.833 on the test set. The Pseudo-Labelling model is able to achieve an accuracy of 0.789. The Cumulative Pseudo-Labelling performs less well and achieves an accuracy of 0.750 with a batch size of 100.

关键词： Φ-OTDR   光纤传感   机器学习   模式识别   AdaBoost  

摘要： 新时代的中国,一次又一次发展跨越,创造了史诗般的人间奇迹,同时又有深度学习与机器学习的飞速发展,越来越多的智能化设备走进我们的生活。光纤具有寿命长、耐机械操作、抗氧化等特殊功能,在高热、强烈电磁辐射和极其严酷条件下也可保证高水平的工作能力。相位敏感光时域反射(Phase Sensitive Optical Time-domain Reflectometer,Φ-OTDR)技术的DAS系统,同时兼具了响应速度快、探测距离远、动态灵敏度高等优势。另一方面,管道作为第五大交通运输方式,其在未来的能源基础设备建设工作中占有非常重要的位置。一旦发生管道泄漏事件,不仅会影响正常的供给工作,还有可能引发火灾等自然灾害,因此管道安全问题不容忽视。目前,将光纤传感技术应用在管道异常状态监测是非常重要的一个研究方向,所以本文将光纤传感技术与模式识别结合,在管道安全监测方面的异常状态定位和分类识别进行了优化。管道异常状态定位方面,通过提出的滑动窗口定位算法,将管道异常状态定位的漏报率、误报率降为0。扰动信号识别方面,提出的基于二叉树实现的分类算法,识别的平均准确率可以达到95.77%。本文的主要工作内容如下:首先,在Φ-OTDR分布式光纤振动传感技术的研发现状及其发展前景下,对Φ-OTDR现有的扰动信号定位方法进行分析研究,阐述其优缺点,为后续的定位算法优化提供理论依据。其次,在现有Φ-OTDR的扰动信号定位方法的基础上,引入滑动窗口定位方法,该方法针对振幅数据在短时间尺度上的平稳特性,实时分析振幅数据在时间和空间上的变化。通过实验,获得了管内外温差以及异常状态发生在不同位置流速的时空监测数据,确定了异常状态诊断窗口k和滑动窗口NS的最优值,大大降低了系统的误报警率,同时实现了不同情况下管道异常状态的识别和定位。最后,针对管道的异常振动,共选择无扰动、雨雪等极端天气、人为行走踩踏、电动小车经过、重物掉落五种扰动信号,得到原始数据后依次进行数据预处理和特征工程等工作,共提取26个特征。提出基于投票法的管道扰动信号分类,当选择80%的样本数据作为训练数据时,这五种管道异常振动识别准确率分别为98.72%、96.89%、92.78%、88.25%、96.67%。针对投票法存在弱分类器数量较多可能导致运算时间长、分类效果差的问题,提出了基于二进制编码实现的管道扰动信号分类方法。当选择80%的样本数据作为训练数据时,这五种管道异常振动识别准确率分别为99.13%、97.16%、95.70%、88.62%、95.29%。与投票法相比较,优势是减少了弱分类器的个数,降低了运算时间,但缺点为发现个别模式的分类效果有所下降。为了平衡弱分类器个数和分类准确率二者之间的关系,提出基于二叉树实现的管道扰动信号分类算法,将二进制编码与二叉树结合,实现一种基于二叉树的二进制编码方法。当选择80%的样本数据作为训练数据时,这五种管道异常振动识别准确率分别为99.60%、98.30%、95.29%、90.37%、95.27%。相较于前两种分类算法,该算法的分类效果最优且弱分类器数量远小于投票法所需的弱分类器数量。

关键词： 慢性压力   睡觉   自主神经活动   动态心电图   机器学习  

摘要： 压力,尤其是慢性压力,是许多身心健康问题的高危因素。长期处于慢性压力使大脑的下丘脑-垂体-肾上腺皮质轴失衡,无法抑制应激激素的释放,个体长期处于“高唤醒、高警觉”的“应敌状态”,导致对人体有害的心理生理反应,降低人们的睡眠质量和身心健康水平。及时检测和预警慢性压力有助于人们主动调节作息规律,干预和阻断慢性压力对身心健康的破坏,因此,慢性压力检测对促进大众健康极其重要。目前关于压力的研究还存在压力诱发任务单一、生理数据受运动和活动类型干扰大等问题,未考虑慢性压力对睡眠的影响,也未充分利用睡眠状态下生理数据几乎不受身体活动干扰的优势。因此本文以采集大学生被试日常多元压力事件的生理反应信息为目的,记录被试全天动态心电图和三轴加速度数据,通过信号处理、统计检验和机器学习方法,先分析觉醒期压力事件引起的当天睡眠神经生理活动,再分析慢性压力引起的睡眠神经生理活动,发现了慢性压力和睡眠的双向关系,并实现了基于睡眠神经生理信息的慢性压力识别。论文具体研究内容与结果分为如下两个方面。(1)采集日常生活场景下的压力数据,构建急性压力/非急性压力和慢性压力/非慢性压力生理数据集。本文在非控制场景下采集60名受试者的日常心电数据和三维加速度数据,对收集的数据进行预处理,去除严重运动干扰,得到适合慢性压力分析的心跳间期时间序列;根据受试者生理指标、压力源事件和行为指标,标定心跳间期数据的急性压力和非急性压力标签,构建急性压力和非急性压力生理数据集;将情绪状态自评量表分数加入入组标准,构建慢性压力和非慢性压力生理数据集。(2)探索慢性压力的自主神经反应,构建慢性压力生理识别模型。首先,对被试的情绪和睡眠质量主、客观指标进行统计分析,探索慢性压力对情绪和睡眠的影响。其次,从心跳间期样本中提取反映自主神经活动的生理特征,采用曼-惠特尼U检验和T-检验探索慢性压力对睡眠生理指标的影响,得到有慢性压力和无慢性压力数据组之间的睡眠自主神经生理差异,验证用睡眠期生理数据识别慢性压力的可行性。再次,通过后向特征选择和分类器训练的嵌套方法,以及名为CNN+SENet的深度学习方法,构建睡眠三个阶段各自的慢性压力二分类生理识别模型。结果显示,使用独立于模型构建过程的数据集,慢性压力的生理反应在三个睡眠阶段的二分类验证F1分数依次为80%、74%和81%。最后,通过三个睡眠阶段每个分类器的决策投票来确定当天的慢性压力标签,获得了 84%的F1分数。论文的研究工作有以下两个发现。(1)白天急性压力事件对夜晚睡眠期间自主神经活动有影响。觉醒时间压力源导致睡眠期间更小的心率变异性、更快的心率和更低的心跳节律复杂性,揭示了白天急性压力事件使得夜晚睡眠期间的交感神经活动更强,副交感神经活动更弱。上述发现证实了使用睡眠期间心跳间期序列样本进行压力识别是可行的。(2)慢性压力对夜晚睡眠期间自主神经活动有影响。与非慢性压力相比,慢性压力使心跳间期序列的低、高频功率比更大,序列复杂性更小,反映慢性压力使睡眠期交感神经活动变强,副交感神经活动变弱,与觉醒期压力源对当天睡眠期自主神经活动的影响一致。此外,慢性压力组自我报告的焦虑和抑郁明显更高,睡眠质量更差,总睡眠时间和低觉醒睡眠时间更短,反映了慢性压力对人们的精神和身体状态的不可忽视的负面影响。

关键词： 压缩感知   测量矩阵优化   信号重构算法   模式识别  

摘要： 基于加速度信号的人体运动模式识别是当前模式识别领域的研究热点之一。该技术通过智能终端设备内置的三轴加速度传感器,对人体运动加速度信号进行采样,并实施特征分析和模式识别。压缩感知(Compressed Sensing,CS)作为一种常用信号采样方法,能够以较低的采样率对信号进行压缩采样,同时利用重构算法从较少的观测数据中恢复出原始信号。然而,当前压缩感知在重构精度和重构效率方面仍有提升空间。测量矩阵和重构算法是实现压缩感知的两个重要环节,它们的优化直接影响着压缩感知的性能表现。为此,本文基于压缩感知理论,在测量矩阵和信号重构这两个方面进行深入研究和改进优化,以期提高加速度信号的重构效果,确保人体运动模式识别的准确性。主要工作如下:(1)针对当前Gram矩阵在进行非对角元约束时存在的寻优精度不高的问题,提出了一种改进的测量矩阵优化算法LBFPhi(L-BFGS-Phi)。该算法为求解目标矩阵函数式,采用LBFGS(Limited memory-Broyden-Fletcher-Goldforb-Shanno)法来确定搜索方向,再结合线性搜索准则来优化搜索步长,提高目标优化函数式最优解的准确性。最后,基于人体运动加速度信号,通过对比实验证实了采用LBFPhi优化测量矩阵的压缩感知方法,能够以更高的精度重构出原始信号,为人体运动模式识别提供较好的数据信息。(2)针对信号重构算法中经典的快速迭代软阈值算法,提出了一种改进的重构算法FIPITA(FISTA-Parameter-Improved-Threshold function-Algorithm)。该算法采用一种优化后的阈值函数,引入p、q、r三个参数,同时结合重启判断机制,使其收敛性更高、重构性能更好。实验结果表明,将改进后的重构算法融入到压缩感知过程中,本文所提的FIPITA与其它改进算法相比,能够在获得较好的重构质量的同时,保证较快的重构速率。(3)基于压缩感知的人体运动模式识别应用研究。针对数据信号在采样过程中可能存在的噪声干扰问题以及加速度信号的三轴多通道特点,提出了一种基于双稀疏去噪法与多测量向量模型的压缩感知方法DSDMMV(Double Sparse Denoising and Multiple Measurement Vectors)。同时,结合LBFPhi测量矩阵优化算法与FIPITA信号重构算法,将其应用于人体运动模式识别中。与已有的研究进行了对比实验,证实了本文方法在人体加速度信号重构时具有更高的精度,在后续进行人体运动模式识别时,也能够获取更高的识别准确率。

关键词： 表面肌电信号   小型消防车   特征提取   模式识别   BP神经网络   避障  

摘要： 表面肌电信号(Surface electromyography)是生物电信号中的一种,它是由肌肉在收缩时所产生的,采集上具有非侵入性、操作简单的优点,目前已被应用于多个领域。利用表面肌电信号对手势进行识别是当今研究的热点之一。小型智能消防车在协助消防员实施复杂火场的灭火方面起到重要作用,它既能有效灭火,又能减轻消防员的工作强度,减少危险的发生。本文以履带式小型消防车为控制对象,通过对手势产生的上肢表面肌电信号的识别,生成控制指令,实现对小型消防车的控制,该车同时具有紧急避障功能,主要研究内容如下。首先,设计并制作了小型履带式消防车,用于肌电信号识别的验证。根据实际需要确定了小型消防车的整体方案和相关参数,并对其功能、组成及工作原理进行了分析。在此基础上完成了动力系统的计算与选型,控制系统的方案确定,底盘和工作装置的设计,最后完成了小型消防车的制作,并对其进行了调试。为了获得信噪比较高的肌电信号,开展了信号采集与处理的研究。首先,分析了表面肌电信号的产生原理和特性,并根据不同肌群的特点,选择了合适的采集位置,实现了对表面肌电信号的有效采集。其次,使用巴特沃兹带通滤波器和陷波器进行滤波,得到信噪比较高的信号。最后,对预处理的表面肌电信号进行活动段的检测,得到了活动段表面肌电信号。为了实现肌电信号对小型消防车的控制,研究了模式识别控制算法。特征提取是模式识别第一步,首先分析了各种常用的特征,包括时域、频域和时频域,测试了单时域、频域特征的识别率,据识别率的高低,最终选择了准确率较高的平均绝对值、均方根值、方差时域特征组合作为分类器的输入,利用BP神经网络进行了手势识别,识别率达到了96.875%,与单一特征分类相比识别率提高了5.625%。为了验证识别效果,开展了基于肌电信号的实车试验。设计了一款可穿戴式肌电信号采集装备,并与上位机笔记本电脑、肌电信号接收装置一同搭建试验平台。上位机通过蓝牙将控制指令发送给小型消防车底盘的底层控制器,通过五种手势动作去控制小型消防车。然后开展了肌电信号的小型消防车控制试验,对准确率和实时率进行了评估。为了提高小型消防车在复杂场景下的适应性,设计了基于ROS的激光雷达紧急避障功能,该系统在树莓派上运行。

关键词： 康复助行   外骨骼   康复策略   模式识别   性能评价  

摘要： 近年来,随着全球老龄化加剧导致的下肢功能障碍人数持续增长,解决患者日常生活行动不便的问题成为首要任务。面对传统的康复训练手段存在康复医师资源少、劳动强度大和康复效果无法保证等缺点,帮助患者进行精准、科学、定量的康复训练是一个急需解决的科学难题。随着可穿戴外骨骼技术在医疗康复领域的不断发展,利用外骨骼进行辅助康复训练成为了研究的热点。针对以上这些问题,本文设计了一款可辅助偏瘫患者独立行走的下肢助行外骨骼,并对其可靠性和穿戴舒适性等综合性能进行评价,主要内容如下:首先分析了人体下肢运动机理,并基于Opensim创建人体肌肉骨骼模型,获得了标准步态曲线,并对人体行走时的生物力学进行了研究,计算出人体行走时下肢关节的功率、力矩,并根据不同康复时期的康复训练需求,分析了康复训练方法及效果评估方法。其次,根据医疗康复外骨骼的需求,分析了下肢助行外骨骼的总体设计要求,开展外骨骼系统的设计,包括机械结构和驱动与控制系统的设计;然后从系统能量的角度出发采用Lagrange函数法进行动力学分析,并建立了下肢外骨骼二连杆动力学模型。然后,开展了外骨骼的控制策略与仿真研究,提出了一种主动和被动控制方式相结合的康复控制策略,将RBF滑模变结构控制器引入患者被动控制算法中,仿真结果表明该控制器的跟随精度和性能相比传统滑模变结构控制器更好;同时,为了提高患者参与康复训练的程度,提出一种用于主动控制策略的基于CNN算法的人体运动意图识别方法,并建立了离线仿真模型,结果表明模型的整体分类准确率为99.67%±0.49%,且具有较强的泛化能力,为主动康复控制策略的设计奠定了基础。最后,测试了外骨骼样机的穿戴方便性和运动灵活性,完成了样机在空载和负载情况下的预设步态跟踪实验,以此验证了样机的可靠性;同时,建立康复性能评价指标并设计性能评价实验完成外骨骼使用性能研究,实验结果表明,相比未穿戴外骨骼时,测试者腿部肌肉的s EMG幅值明显减小,心率降低;舒适性评价结果表明,长时间穿戴外骨骼会导致接触部位产生一定的局部压力,多数实验人员对外骨骼样机给出积极评价。

摘要： Influenza A virus infections are common all over the world and cause substantial damage on health and economy by seasonal outbreaks. The infectious disease flu becomes even more life threatening when followed by a secondary bacterial infection, for which especially children and immune-suppressed people are susceptible. Today, the annually adapted influenza vaccination is an important tool to prevent outbreaks of flu. Medical treatments of acute infections are limited with the exceptions of therapeutically targeting the viral proteins neuraminidase and M2. A deeper understanding of the molecular mechanisms of the IAV pathogenicity and antiviral defense mechanisms, as well as their interaction, can help to refine vaccination strategies and direct therapeutic options to generate more target specific and effective antiviral drugs. The pattern recognition receptor RIG-I is one of the most important sensors of the innate immune system to detect foreign RNAs. Upon the binding of RNA ligands like the panhandle structures of influenza A virus, RIG-I amongst others mediates the expression of interferon type 1 and interleukin-1β in an ATPase dependent manner. Additionally, the binding of RIG-I to the viral panhandle structures is confirmed in vitro as another antiviral function by blocking the access for the viral polymerase, as firstly described by Friedemann Weber in the year 2015. The main aim of this thesis was to investigate the contribution of the different antiviral effects of RIG-I against the influenza A virus in a mouse infection model. Furthermore, additional insights about the RIG-I blocking function should be gained. Therefore, a mouse line deficient in RIG-I signaling and another one lacking RIG-I expression were established with the help of genetic engineering. Additionally, two recombinant influenza strains harboring an adaptation in the viral polymerase gene either to mammalian hosts or to avian hosts (polymerase subunit 2 codon 627K and 627E) were generated.

关键词： 声发射   CFRP   模式识别   深度学习  

摘要： 碳纤维增强复合材料(Carbon fiber reinforced plastic,CFRP)以其高强度、轻量化和耐腐蚀等特性,在航空航天、土木建筑、交通车辆、舰船、化工设备、医疗器械等领域得到广泛应用。然而,在其服役过程中,会受到不同环境的影响而产生多种损伤,一些严重的损伤可能导致构件失效,从而带来重大安全隐患和经济损失。因此,对于碳纤维复合材料的损伤识别研究具有重要意义。本研究以CFRP材料为研究对象,以声发射技术为研究手段,采用深度学习技术为声发射数据的研究方法,分别对力环境、力-热环境、力-热-湿环境中的单向拉伸声发射信号识别进行了深入研究,提出了基于深度学习的CFRP复合材料在不同环境损伤声发射信号识别新方法。首先,针对CFRP材料的三种典型损伤模式,即纤维断裂、基体开裂、分层,构建了碳纤维束断裂、基体开裂、分层的CFRP材料单向拉伸声发射实验系统,获得了三种典型损伤声发射数据集,提出以声发射时间序列数据和快速傅立叶变换(FFT)后的频域序列数据,分别作为Inception Time模型的输入,进行有监督学习,对比分类结果。搭建了FCN、Res Net、XRes Net、LSTM＿FCN、Inception Time、Xception Time、m WDN、LSTM等8种以声发射时间序列数据和FFT频域序列数据为输入的深度学习神经网络,进行训练、验证和测试。研究表明,以时间序列数据为输入比频域序列数据为输入的深度学习损伤分类更具优势和准确性,对于不平衡数据集分类具有潜力。其次,针对力-热环境、力-热-湿环境CFRP复合材料损伤的声发射信号识别问题,搭建力-热环境、力-热-湿环境的CFRP复合材料声发射实验装置,构建声发射数据集,创新性提出了声发射特征参量层次聚类标注数据集,解决无法获得损伤类别标签的难题。对比应用经连续小波变换、梅尔频谱变换后的二维图像作为输入的Res Net50和VGG11网络和时间序列数据作为输入的Inception Time、Xception Time和Res Net端到端模型网络,对标签数据集进行训练、验证和测试。研究表明,时间序列数据的端到端深度学习模型分类比二维图像为输入的深度学习模型分类准确率高,同时节省二维特征提取的计算量,对实际工程中复合材料在不同铺层、不同温度、湿度等环境下损伤识别有重要意义。最后,应用已训练的有监督深度学习模型,针对力-热、力-热-湿环境CFRP复合材料损伤声发射数据,一是构建基于特征参量层次聚类的有标签力-热、力-热-湿环境声发射数据集,以声发射时间序列数据为输入,有效识别了CFRP复合材料损伤类型,进一步验证了模型的泛化能力;二是构建无标签的力-热、力-热-湿环境声发射数据集,将已训练模型的知识和能力应用于无标签数据的分类识别任务,同样实现了CFRP复合材料损伤识别。这些研究成果为基于深度学习的CFRP复合材料损伤声发射信号识别提供了新的思路和方法。