1、存在问题和一些研究现状
（1）传感器得到的数据精度和存在大量“噪音”
（2）对数据处理的最重要的工作，就是进行特征提取。当把低层次传感器信号转换为重要的损伤敏感的特征
（3）自振频率是一个主流的研究对象，但这有个局限，带有多种损伤的实际结构的自然震动很难提取到合适的特征值，而且结构损伤通常都是局部损伤，而自振频率又是一个描述结构整体属性的量
（4）另一个思路，是振型。相对于自振频率，振型对局部损伤更敏感，且对环境因素，如温度等，相对于自振频率不敏感。因此近年来许多研究倾向于将损伤和振型联系起来。例如作为振型的二阶导数，振型曲率在局部损伤定位方面有不错的表现。然而，就目前来看，伴随加速度传感器量测全过程的噪音，则始终得不到解决，这实际上给后续的分析工作带来了许多麻烦，也降低了结果的可靠性。
2、方法流程图
对比验证
深度学习网络的结构损伤识别效果究竟如何？这需要和一种公认可行的方法进行对比，作者选择了小波分析。即用同一组数据，两种方法进行计算，并进行结果对比。
3、总结
作者认为，神经网络学习到的是一个个带通滤波器，独立学习到了结构模态的概念。
要知道，深度学习算法是一种数据处理算法，本质上是没有物理意义的，但在具体问题上，作者针对训练好的网络，解释出了其学习的机理，这个思路非常值得借鉴！
另一个彩蛋，则是作者提出的一个课题：上面都说过了，实际结构中得到的数据是不完整的，要想训练深度学习网络，只能借用有限元模型来帮忙，然而模型和实际结构在损伤分布方面毕竟是有差异的，那这个问题又该如何解决呢？