Identifying the optimal sensor loca

Identifying the optimal sensor location
After the neural network is trained for selected combinations
of damage locations (Nd) and damage levels (NL) with a
prescribed resolution of sensors (r), the weights of the neural
network (w1 to wn) can be used to represent the importance of
these sensors in the damage detection process. A vector of all
these weights h(k) can be constructed as

Results (Greek) 1:

Προσδιορίζει τη θέση βέλτιστη αισθητήραΜετά το νευρωνικό δίκτυο εκπαιδεύεται για επιλεγμένους συνδυασμούςζημία θέσεις (Nd) και να βλάψει επίπεδα (NL) με έναταχθείσας ψήφισμα αισθητήρων (r), το βάρος του τα νευρωνικάδίκτυο (w1 να wn) μπορεί να χρησιμοποιηθεί για να συμβολίζουν τη σημασία τηςΟι αισθητήρες της διαδικασίας ανίχνευσης ζημία. Ένα διάνυσμα από όλαh(k) αυτά τα βάρη μπορεί να κατασκευαστεί ως

Results (Greek) 2:

Ο προσδιορισμός της βέλτιστης θέσης του αισθητήρα
Μετά το νευρωνικό δίκτυο εκπαιδεύεται για επιλεγμένους συνδυασμούς
των τοποθεσιών βλάβη (ΝΔ) και τα επίπεδα βλάβης (NL), με
ψήφισμα που προβλέπονται από τους αισθητήρες (r), τα βάρη του νευρωνικού
δικτύου (W1 έως WN) μπορεί να χρησιμοποιηθεί να εκπροσωπεί τη σημασία
αυτών των αισθητήρων κατά τη διαδικασία ανίχνευσης βλάβης. Ένας φορέας όλων
αυτών των βαρών h (k) μπορεί να κατασκευαστεί ως

Results (Greek) 3:

Προσδιορίζει τη βέλτιστη θέση του αισθητήρα
μετά το neural network είναι εκπαιδευμένο για επιλεγμένες συνδυασμούς
ζημιάς τοποθεσίες (ΝΔ) και ζημιών (NL), με προβλεπόμενη
ψήφισμα των αισθητήρων (r), τα βάρη των νευρικών
δικτύου (w1 wn) μπορεί να χρησιμοποιηθεί για να εκπροσωπήσει τη σημασία της
αυτούς τους αισθητήρες, η καταστροφή, η διαδικασία ανίχνευσης. Ένα διάνυσμα όλων αυτών
βάρη h(k) μπορεί να κατασκευαστεί ως