%0 Journal Article
%A 胡睿1
%A 张启伟1
%A 王长海2
%A 周晓琴3
%A 梁才2
%A 马明雷4
%T 基于去噪扩散概率模型的类别不平衡结构损伤识别
%D 2026
%R 
%J 振动与冲击
%P 8-20
%V 45
%N 2
%X 在结构损伤初期，损伤状态数据稀缺引发的类别不平衡问题显著影响深度学习模型的损伤识别性能。对此，提出一种基于去噪扩散概率模型(denoising diffusion probabilistic models, DDPM)与卷积神经网络(convolutional neural network, CNN)的结构损伤识别方法。首先，基于结构振动信号构建初始数据集，采用DDPM对少量损伤样本进行数据增强，并引入频谱余弦相似度指标量化生成样本质量；其次，结合加权交叉熵损失函数训练CNN模型，提高模型对少数类样本的识别能力；然后，通过独立未扩充的测试集评估模型性能，采用t分布随机邻域嵌入进行特征可视化；最后，通过三跨连续梁桥数值试验验证了该方法的可行性。结果表明：基于DDPM的数据生成方法能够生成高质量损伤状态样本，并显著提高CNN模型的损伤识别性能和抗噪鲁棒性；当类别不平衡比例由5.0%提高至100.0%，部分测点振动数据的识别准确率均值由44.0%提升至94.5%，变异系数由20.9%降低至3.0%；在10 dB的低信噪比下仍能获得较高的分类准确率。<br>
%U https://jvs.sjtu.edu.cn/CN/abstract/article_14731.shtml