深度学习论文研习（二）

基于深度学习的桥梁健康监测数据分析关键技术研究
重庆交通大学 李贵凤 2018
首先提出了现有的研究情况的不足，现有的基于机器学习和人工神经网络的桥梁损伤识别与状态预测解决方案主要基于传统的“浅层模型”，由于其建模和表示能力有限，在面向复杂信号时，在特征提取、分类和预测精度等方面仍然具有较大改进空间。**重要结论之一：**假定损伤是单一的，则损伤前后的任意两阶频率变化的比率仅与损伤位置有关，但是后来被证明只有固有频率变化率超过了 5%损伤识别才会有效。损伤后结构的应变变化要比频率变化大很多，作为损伤评价指标时模态柔度比静力测试柔度更加可靠。可以讲柔度模态代替频率变换作为判断损伤位置的依据。
在开篇的分类问题上，各个类别之间没有清晰的界限，其实都是相互联系的。所以除了传统的分类方式之外，新的分类方式需要重新斟酌。例如遗传算法只能作为改进算法精确度的一种辅助算法，经验性太强，并不能作为一种独立的算法来讲。
文章第二章为结构动力学，基于结构响应信息的分析与处理是结构损伤判别与评估的基础，也是桥梁健康监测的核心技术，只有全面了解结构响应信息特征以及与结构系统内在联系才能精准的判别结构状态的演化。因此需要尽快把自己的力学知识补上来。可能力学知识的缺乏是自己抓不住本质的原因。预处理用one-hot编码归一化，然后用主成分分析法降维（后续需要重点把握的）。
文章引进了MLP(多层)神经网络和LSTM（递归神经网络RNN的优化版）长短期记忆神经网络。https://baijiahao.baidu.com/s?id=1593640393562919434&wfr=spider&for=pc详细介绍了递归神经网络和前馈神经网络的区别。前馈网络对之前的输入没有记忆，所以不能预测。递归的输入有两个&