شناسایی سیستم‌های سازه‌ای در حالت نامعین، که اندازه‌گیری پاسخ تمام درجات آزادی آن‌ها امکان‌پذیر نباشد، در بحث پایش سلامت سازه‌ای ( SHM) بسیار مورد توجه قرار دارد. روش آنالیز اجزاء پراکنده ( SCA) یکی از مجموعه روش‌های شناسایی کور منبع ( BSI) است که قادر به شناسایی سیستم در شرایط نامعین می‌باشد. روش SCA از ماهیت پراکندگی داده‌ها در حوزه فرکانسی جهت استخراج اطلاعات مورد نیاز به منظور شناسایی پارامترهای مودال سیستم استفاده می‌کند. یکی از چالش‌های مهم در روش SCA امکان خطا در خوشه‌بندی داده‌های قرار گرفته شده در یک راستا می‌باشند. دلیل اصلی این مشکل وجود همپوشانی به دلیل نزدیکی مودها و همچنین وجود اغتشاش در داده‌ها است. یک رویکرد کارآمد در روش SCA برای حذف همپوشانی در داده‌ها، شناسایی نقاط تک منبع ( SSP) می‌باشد. نقاط تک منبع داده‌هایی هستند که در شکل‌گیری آن‌ها تنها یک سیگنال منبع حاکم است. در این تحقیق با بهره‌گیری از تبدیل هیلبرت، دو روش جدید شناسایی نقاط تک منبع در محتوای زمانی در سیستم‌های سازه‌ای براساس 1) اصلاح سیگنال و 2) نرمال‌سازی سیگنال، به منظور ارتقا عملکرد روش SCA ارائه می‌گردد. در روش‌های ارائه شده اثر مودهای مراتب بالا در روابط شناسایی در نظر گرفته می‌شود. عملکرد وکارایی روش‌های پیشنهادی از طریق مثال‌های عددی ارزیابی می‌گردد. نتایج به دست آمده حاکی از آن است دقت روش SCA در شناسایی پارامترهای مودال سیستم سازه‌ای تحت اثر تحریکات محیطی با به کارگیری روش‌های پیشنهادی شناسایی نقاط تک منبع به طور موثری افزایش پیدا می‌کند.
