張廣才, 趙文龍, 萬春風

(東南大學 混凝土及預應力混凝土結構教育部重點實驗室,南京 211189)

重大工程結構,如大跨空間結構、超高層建筑、大跨徑橋梁、海上采油平臺、大型水壩,設計使用壽命長達幾十年甚至上百年。長期服役期間,因地震、臺風、洪水等自然災害,以及環(huán)境侵蝕、材料老化、銹蝕、超載等不利因素的耦合作用,結構承力構件易出現(xiàn)裂縫、疲勞、脫落等損傷,如未能及時發(fā)現(xiàn)并修復,損傷逐漸累積可能導致結構整體坍塌,引發(fā)災難性事故[1]。因此,為保證結構使用安全、減少運維成本,進行連續(xù)結構健康監(jiān)測和損傷識別研究具有重要的理論和現(xiàn)實意義。

經過幾十年的發(fā)展,國內外學者已提出了一系列損傷識別方法,其中基于振動測試的結構損傷識別方法利用預安裝在結構上的傳感器測量位移、速度、加速度、應變等動態(tài)響應,反向識別出結構剛度、質量、阻尼等物理特性的變化進而判斷結構損傷情況,已取得豐碩的研究成果?；谡駝訙y試的損傷識別方法可大致分為傳統(tǒng)方法和非傳統(tǒng)方法,傳統(tǒng)方法主要包括基于固有頻率、模態(tài)振型、模態(tài)應變能、曲率模態(tài)、傳遞率函數(shù)、擴展卡爾曼濾波、響應靈敏度、小波分析等方法[2-9],但存在對小損傷不敏感、對局部損傷不敏感、需要較多傳感器、噪聲魯棒性差等缺點。隨著軟計算方法的發(fā)展,基于神經網絡和群智能優(yōu)化算法的非傳統(tǒng)識別方法受到越來越多關注。神經網絡具有較強的并行計算、自我學習、非線性映射能力和魯棒性,但需要大量的訓練樣本,計算效率低。群智能優(yōu)化算法,如遺傳算法、粒子群優(yōu)化算法、蟻獅優(yōu)化算法、布谷鳥搜索、樹種算法、鯨魚算法等[10-15],因搜索能力強,易于實施,且不需要已知較好的初始值和梯度信息等優(yōu)點被廣泛研究和應用。然而,以上群智能優(yōu)化算法需要設置特定于算法的參數(shù),而這些參數(shù)會影響算法的有效性,如算法參數(shù)設置不當將可能增加計算成本甚至陷入局部最優(yōu)解。為此,Rao[16]提出一種無特定參數(shù)的優(yōu)化算法,命名為Jaya算法,其核心思想在于子代個體向最優(yōu)解移動同時遠離最差解,進而不斷提高解的質量,已應用于電氣工程、機械設計、熱工程、結構工程等領域[17-20]。雖然Jaya算法在標準函數(shù)測試以及若干工程優(yōu)化設計中表現(xiàn)出比遺傳算法,粒子群算法,教學優(yōu)化算法、人工蜂群算法等智能算法更優(yōu)的性能,但Jaya算法仍然存在收斂速度慢、易陷入局部最優(yōu)而提前收斂等問題[21]。為提高算法性能,在傳統(tǒng)Jaya算法基礎上引入三種新的策略得到改進Jaya(improved Jaya, I-Jaya)算法。首先,Hammersley序列初始化種群,使初始種群均勻覆蓋整個搜索空間,增加種群的多樣性;其次,引入Lévy飛行機制在最優(yōu)解附近隨機搜索,提高最優(yōu)解的質量以逃離局部最優(yōu);最后,引入經驗學習策略提高全局搜索能力,更好的平衡全局搜索和局部搜索。

加速度是較容易獲取的動力響應之一,且含有豐富的結構損傷信息。作用在工程結構上的隨機激勵,如風荷載和交通荷載,往往難以準確獲取,因此,利用未知隨機激勵下工程結構的加速度響應識別損傷更符合其實際服役狀態(tài),具有重要的研究意義。Li等[22]提出加速度的自/互相相關矩陣的協(xié)方差,識別白噪聲激勵下結構的局部剛度損傷。Ni等[23]利用多個測點的加速度響應構造自相關、互相關函數(shù),成功識別未知隨機激勵下的結構損傷。在此基礎上,Wang等[24]將四種優(yōu)化算法與加速度互相關函數(shù)結合成功識別結構參數(shù)。然而,以上研究均需要定義參考點,如果參考點處加速度響應的測量精度差可能會影響互相關函數(shù)的識別效果,甚至得到錯誤的識別結果[25]。針對此問題,本文提出組合相關函數(shù)的方法,計算加速度互相關函數(shù)的組合,該方法不需要定義參考點。

本文首先介紹Jaya算法的基本原理和實現(xiàn)流程;然后,將Hammersley序列初始化、Lévy飛行搜索、經驗學習策略,引入Jaya得到改進Jaya算法;其次,提出組合相關函數(shù),并介紹了損傷識別的步驟;最后,采用白噪聲激勵下多自由度體系算例驗證基于改進Jaya算法和組合相關函數(shù)的損傷識別方法的有效性,并詳細討論了噪聲等級、采樣頻率、采樣時間、數(shù)據(jù)點數(shù)、傳感器數(shù)量、模型誤差等因素對損傷識別結果的影響

1 優(yōu)化算法

1.1 Jaya算法

Jaya算法是近年新提出的一種基于全局搜索的群智能優(yōu)化算法,用于求解約束和無約束優(yōu)化問題。該算法的顯著特點是無算法控制參數(shù),僅需要設置種群規(guī)模和最大迭代次數(shù),這極大提高了優(yōu)化算法的計算效率。Jaya算法可大致分為初始化種群、更新個體、貪婪選擇和輸出最優(yōu)解4個部分。

(1)初始化種群:Jaya算法在搜索空間內隨機生成初始種群Xi,j

(1)

rand2×(Xworst,j,G-|Xi,j,G|)

(2)

式中:Xi,j,G和|Xi,j,G|分別為在第G次迭代時第i個體的第j維變量及其絕對值;rand1和rand2為[0, 1]均勻分布的隨機數(shù);Xbest,j,G和Xworst,j,G分別為第G次迭代時最優(yōu)解和最差解的第j維變量值;等號右側第二項rand1×(Xbest,j,G-|Xi,j,G|)為個體朝向最優(yōu)解移動,第三項rand2×(Xworst,j,G-|Xi,j,G|)為個體遠離最差解。

(3)貪婪選擇:比較更新前后的解Xi,G和X′i,G,選擇適應性更優(yōu)的解存活到下一代

(3)

式中:Xi,G+1和Xi,G分別為第G+1和第G次迭代時的第i個體;X′i,G為Xi,G迭代更新后的個體;f(Xi,G)和f(X′i,G)分別為Xi,G更新前后的適應性值。

(4)輸出最優(yōu)解:重復更新個體和貪婪選擇直到達到最大迭代次數(shù)或滿足收斂條件,輸出識別的最優(yōu)解。

1.2 改進Jaya算法

1.2.1 Hammersley序列初始化

Jaya算法在給定搜索空間內隨機生成個體,操作簡單、易于實現(xiàn),但存在明顯的不穩(wěn)定性。如果初始種群同時分布在有限的局部區(qū)域,后續(xù)迭代更新的個體將限制在一定范圍內,這可能導致優(yōu)化算法陷入局部最優(yōu)解。為了增加種群的多樣性和算法的遍歷性,使用低差異序列初始化Jaya算法。與偽隨機數(shù)相比,低差異序列可以在高維空間生成更加均勻的樣本。Hammersley序列是一種被廣泛應用的低差異序列,該序列利用計算機二進制表示的特性,將給定十進制數(shù)的二進制表示鏡像到小數(shù)點后,并構造一個介于[0, 1]的值,其主要步驟如下:

步驟1任意一個自然數(shù)n都可以表示為基數(shù)P的數(shù)位和形式

(4)

式中,m=[logp(n)],[]為提取內部數(shù)字的整數(shù)部分。

步驟2將式(4)中的系數(shù){nm,…,n1,n0}反序排列,并放在小數(shù)點后,其值可表示為

步驟3自然數(shù)n在k維空間的Hammersley序列為

ψk(n)=(n/N,φP1(n),φP2(n),…,φPk-1(n))

(6)

式中:n=0,1,…,N-1;N為生成的樣本點數(shù)目;P1,P2,…,Pk-1為質數(shù)。

由Logistics映射、Tent映射、Random序列和Hammersley序列四種初始化方法生成100個樣本點的統(tǒng)計結果,如圖1所示。由圖1可以發(fā)現(xiàn),Logistics和Tent映射生成的點在局部區(qū)域過于稀疏或集中,而Hammersley序列在搜索空間內生成均勻的樣本點,因此利用該序列初始化種群能夠使初始種群均勻覆蓋整個搜索空間,有利于提高算法的種群多樣性。

圖1 四種初始化方法生成100個樣本點的統(tǒng)計結果

使用Hammersley序列初始化種群時,在搜索空間內映射生成np個個體,映射方法為

(7)

式中,ψ(i,j)為Hammersley序列生成的樣本點。

1.2.2 Lévy飛行搜索

Lévy飛行是一種隨機搜索的非高斯隨機過程,其步長符合萊維分布。由式(2)可知,Jaya算法的最優(yōu)解引導其他個體向其位置移動,在搜索過程中起著重要作用。然而,求解復雜的多峰值優(yōu)化問題時,最優(yōu)個體可能陷于局部最優(yōu)區(qū)域,此時種群內的其他個體易被吸引到該區(qū)域,導致陷入局部最優(yōu)解而過早收斂。為此,將Lévy飛行與Jaya算法結合,在最優(yōu)解附近隨機搜索,充分發(fā)揮Lévy飛行強大的搜索能力,有利于增大搜索范圍以跳出局部最優(yōu)點。

種群內某一個體Xi通過Lévy飛行生成新的個體Xi+1

Xi+1=Xi+κ⊕L(λ)

(8)

式中:κ為步長控制參數(shù);⊕為點對點乘法;λ為萊維分布指數(shù),0<λ≤2。

步長step的計算方式為

(9)

式中:Xbest為當前迭代的最優(yōu)解;Xr為種群內隨機選擇的個體但與最優(yōu)解不同;u和v服從正態(tài)分布,表達式為

(10)

式中,σu和σv的取值分別為

(11)

式中,Γ為Gamma函數(shù)。

最優(yōu)解Xbest的更新方式為

(12)

1.2.3 經驗學習策略

Jaya算法同時考慮全局最優(yōu)解和最差解更新種群個體,雖然可以加快算法的收斂速度,提高局部搜索能力,但種群多樣性和全局搜索能力可能會隨著收斂速度的加快而下降。為了提高種群多樣性和全局搜索能力,引入一種基于種群內其他個體信息的經驗學習策略。具體而言,從種群內隨機選擇另外兩個不同個體Xk和Xl,然后利用其差值確定的搜索方向來更新當前個體Xi

(13)

式中:Xp,j和Xq,j分別為第p和第q個個體的第j維變量;rand為區(qū)間[0, 1]的隨機數(shù)。

引入Hammersley序列初始化、Lévy飛行搜索、經驗學習策略,得到改進Jaya算法,流程圖如圖2所示。以上改進機制沒有添加任何新的算法參數(shù),即I-Jaya算法不需要設置任何特定于算法的參數(shù),結構清晰、易于操作。

圖2 I-Jaya算法流程圖

2 組合相關函數(shù)

N自由度線性結構體系在外荷載激勵下的運動方程為

(14)

假設結構的初始位移和速度為0,則荷載激勵下該結構的第μ自由度的加速度響應為

(15)

(16)

結構上任意兩自由度μ和?之間的加速度互相關函數(shù)為

E[F(μ1)F(μ2)]dμ1dμ2

(17)

式中:μ1和μ2為很小的時間間隔;E[F(μ1)F(μ2)]=Sδ(μ1-μ2),當μ1=μ2時

(18)

如結構上同時布置n個測點,則以某一測點w為參考點的加速度互相關函數(shù)Rw為

Rw=[Rw,1,Rw,2,…,Rw,n]

(19)

如不指定某一測點為參考點,計算加速度響應互相關函數(shù)的組合,得到無參考點的組合相關函數(shù)R

R=[R1,2,R1,3,…,R1,n,R2,3,…,R2,n,…,Rn-1,n]

(20)

3 損傷識別步驟

采用折減單元剛度模擬結構的局部損傷,引入損傷因子αe(e=1,2,…,ne)

(21)

本文提出基于I-Jaya算法和組合相關函數(shù)的損傷識別方法,大致步驟如下:

步驟1引入結構剛度損傷,測量未知隨機激勵下?lián)p傷結構的加速度響應,然后由式(20)計算所有加速度互相關函數(shù)的組合,得到測量值的組合相關函數(shù)Rmea。

步驟2利用I-Jaya算法中的Hammersley序列初始化種群,得到初始結構參數(shù)。

步驟3對初始種群內的個體計算目標函數(shù)obj

(22)

步驟4確定全局最優(yōu)解Xbest和最差解Xworst,并利用I-Jaya算法迭代更新結構參數(shù)θ,使組合相關函數(shù)Rmea和Rest盡可能接近。

步驟5重復步驟3、步驟4直到達到最大迭代次數(shù)或滿足其他終止條件,輸出最優(yōu)結構參數(shù),得到結構損傷位置和程度。

4 算例驗證

采用10自由度結構體系驗證基于I-Jaya算法和組合相關函數(shù)的結構損傷識別方法的有效性,并對優(yōu)化算法、噪聲等級、采樣頻率、采樣時間、數(shù)據(jù)點數(shù)、傳感器數(shù)量和模型誤差等因素對損傷識別結果的影響進行詳細分析。

圖3為10自由度剪切型結構[26],其參數(shù)如表1所示。第10層水平施加了均值為0、標準差為1、幅值為200 N的隨機激勵,3個加速度計分別安裝在1層、5層、9層采集水平方向的加速度響應,采樣總時間為1 800 s,采樣頻率為200 Hz,可計算得到組合相關函數(shù)R=[R1,5,R1,9,R5,9],選擇R1,5,R1,9,R5,9的前100個數(shù)據(jù)點,共300個數(shù)據(jù)點用于損傷識別。假定單元3和單元8分別發(fā)生30%和20%的剛度損傷,即α3=0.3,α8=0.2。

表1 10自由度結構參數(shù)

圖3 10自由度結構模型

4.1 識別方法的有效性

采用遺傳算法(genetic algorithm, GA)、Jaya和I-Jaya三種算法對比分析I-Jaya算法的性能,GA[27]的參數(shù)設置:種群規(guī)模為100,最大迭代次數(shù)為100,變異概率為0.2,交叉概率為0.8; Jaya算法的參數(shù)設置:種群規(guī)模為100,最大迭代次數(shù)為100;I-Jaya算法的參數(shù)設置:種群規(guī)模為60,最大迭代次數(shù)為50。為保證計算結果的準確性,各工況下優(yōu)化算法分別計算5次,并取平均值作為最終的識別結果。

圖4和表2分別為GA,Jaya,I-Jaya三種算法的目標函數(shù)收斂曲線和計算時間?？梢悦黠@觀察到I-Jaya算法取得最優(yōu)的計算效率,GA的優(yōu)化能力最差,達到最大迭代次數(shù)100時目標函數(shù)值仍然小于200,GA,Jaya和I-Jaya三種算法的最終目標函數(shù)值分別為190.29,468.45,677.75。此外,由表2可知,GA,Jaya和I-Jaya的總評價次數(shù)分別為10 000,10 000和3 000。I-Jaya算法總計算時間為260.8 s,明顯低于GA和Jaya算法所需的853.2 s和936.4 s。以上結果表明,與GA和Jaya相比,I-Jaya算法能夠以最少的計算成本獲得最優(yōu)的計算結果。

表2 三種算法的計算時間

圖4 目標函數(shù)迭代收斂圖

無噪聲時基于GA,Jaya和I-Jaya算法的10自由度結構的損傷識別結果,如圖5所示。由圖5可以發(fā)現(xiàn),GA算法雖然能夠識別損傷單元位置,但單元4、單元5、單元9存在明顯的錯誤識別;Jaya算法能夠成功識別損傷單元的位置,但不能準確識別單元3和單元8的損傷程度,最大和平均識別誤差分別為2.55%和0.98%;I-Jaya算法既可以成功定位損傷單元的位置,又可以準確識別出單元損傷程度,且?guī)缀鯖]有錯誤識別,最大識別誤差僅為1.88%,這表明基于I-Jaya算法和組合相關函數(shù)的損傷識別方法能夠準確且高效識別結構損傷。

圖5 10自由度結構損傷識別結果(無噪聲)

為測試本文提出的損傷識別方法的魯棒性,下面進一步研究其他因素對識別結果的影響。

4.2 噪聲等級的影響

(23)

考慮10%,20%,30%三種噪聲等級,使用I-Jaya算法的損傷識別結果如圖6所示。由圖6可以發(fā)現(xiàn),隨著噪聲等級增加,識別誤差逐漸增大,10%,20%,30%噪聲時平均誤差分別為0.77%,0.95%和1.01%,最大誤差分別為2.94%,3.14%和4.94%。但即使在30%噪聲等級下,最大識別誤差不超過5%,這表明本文提出的組合相關函數(shù)具有良好的噪聲魯棒性。

圖6 不同噪聲下的損傷識別結果

下面進一步分析組合相關函數(shù)對噪聲不敏感的原因,0和20%噪聲時互相關函數(shù)R5,9的對比結果,如圖7所示。由圖7可以發(fā)現(xiàn),有無噪聲時兩者幾乎重合,利用相對誤差(relative error,RE)和皮爾森相關系數(shù)(Pearson correlation coefficient,PCC)量化

圖7 0和20%噪聲時R5,9對比圖

(24)

(25)

式(24)和式(25)計算結果分別為RE=1.47%,PCC=0.998 9,含有0和20%噪聲時R5,9變化很小,這表明基于組合相關函數(shù)的方法對噪聲不敏感。

4.3 采樣頻率的影響

10自由度結構的前10階固有頻率分別為0.76 Hz,1.98 Hz,3.29 Hz,4.47 Hz,5.63 Hz,6.59 Hz,7.43 Hz,7.98 Hz,8.75 Hz,9.25 Hz。采用5 Hz,10 Hz,20 Hz,50 Hz,100 Hz,200 Hz共六種不同的采樣頻率來研究其對識別結果的影響。不同采樣頻率下的識別誤差,如圖8所示。由圖8可以發(fā)現(xiàn),隨著采樣頻率的增大,平均識別誤差逐漸減小。當采樣頻率為5 Hz和10 Hz時,最大識別誤差超過6%;而當采樣頻率大于20 Hz時得到較小識別誤差。以上結果表明,較低的采樣頻率難以得到高階模態(tài)的響應信息,不利于準確識別結構的局部損傷,因此結構振動測試前應根據(jù)結構固有頻率合理選擇采樣頻率。

圖8 不同采樣頻率下的識別誤差

4.4 采樣時間的影響

計算加速度響應的組合相關函數(shù)需要較長采樣時間,共考慮5 min,10 min,20 min,30 min,40 min,60 min六種采樣時間,研究其對識別結果的影響。 不同采樣時間下的識別誤差,如圖9所示。由圖9可以發(fā)現(xiàn),隨著采樣時間的增加,識別誤差逐漸減小。當采樣時間不超過20 min時,最大識別誤差超過6%,而采樣時間大于30 min后識別誤差變化不明顯,但由表3可知,隨著采樣時間增加計算時間也明顯增加,這表明盲目增加采樣時間不能進一步提高識別精度,卻消耗了更多計算時間。因此,在可接受的誤差范圍內,為節(jié)省計算成本,應合理選擇采樣時間。

表3 不同采樣時間下的識別結果

圖9 不同采樣時間下的識別誤差

4.5 數(shù)據(jù)點數(shù)的影響

利用組合相關函數(shù)R=[R1,5,R1,9,R5,9]識別結構損傷時,需要確定互相關函數(shù)的數(shù)據(jù)點數(shù)量,考慮50,100,150,200,250,300共六種數(shù)據(jù)點數(shù)研究其對計算效率和識別精度的影響,結果如圖10和表4所示。對比數(shù)據(jù)點數(shù)為100和300時,最大識別誤差分別為1.88%和5.44%,計算時間分別為260.8 s 和776.7 s?？梢园l(fā)現(xiàn),采用更多的數(shù)據(jù)點數(shù)沒有提高結果的準確性,反而消耗更多的計算資源。為進一步研究該異?，F(xiàn)象的原因,統(tǒng)計測量組合相關函數(shù)Rmea與估計組合相關函數(shù)Rest之間的相對誤差,如表5所示,測量值與估計值的相對誤差隨著數(shù)據(jù)點數(shù)的增加逐漸累積,不利于識別結果的準確性。因此,綜合考慮計算效率和識別精度,有必要合理選擇數(shù)據(jù)點數(shù)量。

表4 不同數(shù)據(jù)點數(shù)時的識別結果

表5 互相關函數(shù)的相對誤差

圖10 不同數(shù)據(jù)點數(shù)時識別誤差

4.6 傳感器數(shù)量的影響

為研究傳感器數(shù)量對識別結果的影響,考慮2,3,4,5共四種不同的傳感器布置方案。2個傳感器布置在4層、7層,得到組合相關函數(shù)R=[R4,7];3個傳感器布置在1層、5層、9層,得到組合相關函數(shù)R=[R1,5,R1,9,R5,9];4個傳感器布置在1層、3層、6層、9層,得到組合相關函數(shù)R=[R1,3,R1,6,R1,9,R3,6,R3,9,R6,9];5個傳感器布置在1層、3層、5層、7層、9層,得到組合相關函數(shù)R=[R1,3,R1,5,R1,7,R1,9,R3,5,R3,7,R3,9,R5,7,R5,9,R7,9]。圖11和表6分別為采用不同傳感器布置方案時的識別誤差和計算時間,可以明顯觀察到,平均識別誤差隨著傳感器數(shù)目的增加而減小,采用3個以上的傳感器時平均誤差略有下降,但計算時間卻明顯增加。對比采用3個和5個傳感器的識別結果,平均誤差分別為0.58%和0.34%,計算時間分別為260.8 s和670.4 s。以上結果表明,盲目增加傳感器數(shù)量并不能顯著提高識別精度,反而增加了大量計算時間。 因此,在可接受的誤差范圍內,為節(jié)省計算資源,應合理選擇傳感器數(shù)量。

表6 不同傳感器數(shù)量下的識別結果

圖11 不同傳感器數(shù)量時的識別誤差

4.7 模型誤差的影響

本文提出的損傷識別方法需要不斷修正有限元模型,結構模型的準確性將影響識別結果,因此,有必要考慮模型誤差的影響。在[-1, 1]生成隨機數(shù)乘以模型誤差和結構參數(shù)值,引入0,5%,10%,15%和20%共五種模型誤差考慮其對識別結果的影響,將含有模型誤差的結構參數(shù)當作與識別參數(shù)比較的準確值,識別結果如圖12所示。模型誤差為0,5%,10%,15%和20%時,平均誤差分別為0.58%,2.32%,5.75%和7.62%,10.96%,最大誤差分別為1.88%,4.97%,11.21%,16.69%,18.93%,可以發(fā)現(xiàn),模型誤差顯著影響了識別結果的準確性。因此,有必要通過劃分更多單元、采用高階單元類型和更精確的材料性質、邊界條件等方法建立結構的有限元模型,而且損傷識別前應利用模型修正技術減小模型與實際結構的差異。

圖12 不同模型誤差下的識別誤差

5 結 論

本文提出基于I-Jaya算法和組合相關函數(shù)的結構損傷識別方法,通過10自由度結構驗證了該識別方法的有效性,并對優(yōu)化算法、噪聲等級、采樣頻率、采樣時間、數(shù)據(jù)點數(shù)、傳感器數(shù)量和模型誤差等因素對識別結果的影響進行了分析,得出以下結論:

(1)引入Hammersley序列初始化、Lévy飛行搜索、經驗學習策略三種改進機制,得到I-Jaya算法,該算法無需設置任何特定于算法的參數(shù),結構清晰,操作簡單。與GA和Jaya算法相比,I-Jaya算法可以更好實現(xiàn)全局搜索和局部搜索間的平衡,并在識別精度、計算效率等方面取得更優(yōu)的性能。

(2)本文提出的組合相關函數(shù)無需定義參考點,且具有良好的噪聲魯棒性,即使在20%的噪聲污染下,基于I-Jaya算法和組合相關函數(shù)的結構損傷識別方法仍能準確識別結構損傷的位置和程度。

(3)較低的采樣頻率不利于準確識別結構的局部損傷,結構振動測試前應根據(jù)結構固有頻率合理選擇采樣頻率。模型誤差會降低識別結果的準確性,結構損傷識別前應利用模型修正技術得到與實際結構更加一致的有限元模型。

(4)盲目增加采樣時間、數(shù)據(jù)點數(shù)、傳感器數(shù)量將消耗更多的計算成本,但不能顯著提高識別精度,甚至識別誤差隨著數(shù)據(jù)點數(shù)增加而累積。綜合考慮計算效率和識別精度,應合理選擇采樣時間、數(shù)據(jù)點數(shù)和傳感器數(shù)量。