机械工程学报

作者：段书用, 杨建华, 韩旭, 刘桂荣

单位：1. 河北工业大学机械工程学院 天津 300131;2. 辛辛那提大学航空工程和机械工程系 辛辛那提 45221 美国

关键词：神经网络,降维方法,主成分分析,自动编码器,特征提取和融合,参数反求；

基金：国家自然科学基金资助项目(52175222)。

针对复杂装备及结构中高维信息导致的反求设计、优化设计、可靠性设计与分析时计算难度大、计算效率和精度低等问题，提出高维数据自适应降维方法—引导约束自编码降维方法。该方法基于主成分分析法能根据高维数据的相关性得到高质量的线性低维数据，与无监督训练的自编码器具有对降维数据质量自我重构的特点，提出正交引导和正交约束的双重策略，对自编码网络进行无监督训练，以达到高精度、高效率降维的目的。该方法主要有以下策略：首先利用主成分分析法快速得到由特征向量构造而成的具有正交特性的投影矩阵，然后将其用于预设自编码器中的可训练参数，以保证初始训练参数的正交性；其次在自编码器训练中继续施加权值正交约束即无相关性特征约束，以减少信息的冗余从而保证低维数据的独立性；同时，施加单位范数约束以避免梯度消失，最终得到具有高度正交特性的降维特征。为验证该方法的有效性，将该方法用于碳钎维和玻璃纤维混合铺层的复合材料层合板的材料参数反求，通过参数反求的精度来评估不同降维方法的性能。研究结果表明，该方法可高效的得到高质量的线性及非线性降维信息，有效克服了主成分分析法仅可实现高维信息的线性降维和标准自编码器降维数据精度低的缺点，并且显著提高了复合材料层合板的参数反求精度。

来源：2024年第17期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2024年第17期