兩級識(shí)別神經(jīng)網(wǎng)絡(luò)技術(shù)論文

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了兩級識(shí)別神經(jīng)網(wǎng)絡(luò)技術(shù)論文范文，希望能給你帶來靈感和參考，敬請閱讀。

1神經(jīng)網(wǎng)絡(luò)損傷診斷的兩級識(shí)別策略

基神經(jīng)于網(wǎng)絡(luò)判別指標(biāo)過濾方法的兩級識(shí)別策略，具有物理意義清晰，定量、定性的特點(diǎn)。應(yīng)用于結(jié)構(gòu)的損傷診斷，可以有效解決結(jié)構(gòu)不適定性、非線性帶來的評估誤差及精度問題。

1.1自適應(yīng)神經(jīng)網(wǎng)絡(luò)(Auto2associateNeuralNetwork)

自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法基于無損傷結(jié)構(gòu)在正常服役條件下的實(shí)測響應(yīng)數(shù)據(jù)（某個(gè)動(dòng)力特性參數(shù)、或多個(gè)動(dòng)力特性參數(shù)）作為訓(xùn)練對象（人工神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)X、Y），依次構(gòu)造一個(gè)自相關(guān)的神經(jīng)網(wǎng)絡(luò)Net=T(X→Y)。訓(xùn)練完成后，循環(huán)迭代輸入數(shù)據(jù)X進(jìn)入已訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net，獲得輸出數(shù)據(jù)Yn。通過選取合適的殘差判斷函數(shù)，通過對比數(shù)據(jù)Y和網(wǎng)絡(luò)輸出數(shù)據(jù)Yn的差值向量,采用某種距離測度函數(shù)加以測量形成健康結(jié)構(gòu)的判別指標(biāo)Vi。當(dāng)結(jié)構(gòu)發(fā)生損傷，實(shí)測響應(yīng)數(shù)據(jù)Xd被作為輸入數(shù)據(jù)通過已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)Net，由輸入數(shù)據(jù)Xd和輸出數(shù)據(jù)Yd可以計(jì)算得到的新的判別指標(biāo)Vd，并與Vi相比較計(jì)算差值構(gòu)建損傷指標(biāo)Di來判定損傷。當(dāng)Di大于既定殘差函數(shù)時(shí)，即判定結(jié)構(gòu)已經(jīng)發(fā)生損傷。

1.2概率神經(jīng)網(wǎng)絡(luò)(ProbabilisticNeuralNetwork,PNN)

自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法構(gòu)建自相關(guān)網(wǎng)絡(luò)Net，將實(shí)測響應(yīng)信息迭代計(jì)算Di，可以定性判定是否存在損傷，在損傷確定的條件下，可通過概率神經(jīng)網(wǎng)絡(luò)PNN判定損傷的位置、類型。PNN是通過具有無參估計(jì)量的已知數(shù)據(jù)集的概率密度函數(shù)來實(shí)現(xiàn)貝葉斯決策，將其加在人工神經(jīng)網(wǎng)絡(luò)框架中,接著進(jìn)行判別未知數(shù)據(jù)最大可能屬于哪個(gè)已知數(shù)集，構(gòu)建一個(gè)包含損傷類別θ1、θ2….θq…θn集合,基于p維試驗(yàn)向量X的貝葉斯決策d(X)為d（X）∈θq(hqlqfq（X）)>hklkfk（X），k≠q

（1）hj———分類指標(biāo)θj的先驗(yàn)概率。lj———與錯(cuò)誤分類d(X)埸θj的相關(guān)損失。fj(X)———采用多變量高斯(Gauss)分布函數(shù)的概率密度函數(shù)：fq（X）∈1nq(2π)p/2σpnqi=1Σexp-（X-Xai)T（X-Xai)2σ222

（2）將該貝葉斯決策映射為一個(gè)人工神經(jīng)網(wǎng)絡(luò)構(gòu)成一個(gè)概率神經(jīng)網(wǎng)絡(luò)，如圖1所示。向量X{X1、X2、X3、X4…Xi}———輸入層的輸入?yún)?shù)。權(quán)重向量Wj和向量X的點(diǎn)積zj構(gòu)成中間層的神經(jīng)元，而相對與分類號(hào)q的決策層神經(jīng)元輸出為:fq（X）=nqj=1ΣZqj=nqj=1Σexp[(X•Wqj-1)/σ2]

（3）σ—高斯核標(biāo)準(zhǔn)差。在應(yīng)用中，構(gòu)建的損傷位置或類型假定有多種。以結(jié)構(gòu)的自振頻率變化率為例，輸入向量X為P個(gè)自振頻率變化率，將帶有某種類型損傷(或混合模式損傷)的實(shí)測模態(tài)數(shù)據(jù)輸入訓(xùn)練好的PNN，得出決策層(輸出層)各個(gè)損傷形態(tài)在試驗(yàn)向量點(diǎn)對應(yīng)的概率密度函數(shù)PDF的估計(jì)值，其中，最大PDF估計(jì)值對應(yīng)的預(yù)設(shè)損傷集合中則得出損傷的位置及類型。

2應(yīng)用及展望

美國Purdu大學(xué)的Venkatsubrmania和Chan第一次運(yùn)用BP網(wǎng)絡(luò)進(jìn)行了工廠結(jié)構(gòu)的損傷檢測與診斷，其后的研究中，Kudva將神經(jīng)網(wǎng)絡(luò)兩級識(shí)別策略運(yùn)用于平板結(jié)構(gòu)損傷診斷，提出了大型結(jié)構(gòu)損傷檢測的方法；楊英杰等開發(fā)了評估鋼筋混凝土梁的神經(jīng)網(wǎng)絡(luò)系統(tǒng)；Worden等運(yùn)用神經(jīng)網(wǎng)絡(luò)識(shí)別了一個(gè)20根構(gòu)件組成的結(jié)構(gòu)的損傷；Pandey用兩級識(shí)別策略，基于三層神經(jīng)網(wǎng)絡(luò)對大橋桁架結(jié)構(gòu)進(jìn)行損傷評估。近年來，結(jié)構(gòu)損傷診斷的研究取得了長足進(jìn)展。上述基于神經(jīng)網(wǎng)絡(luò)的損傷診斷研究表明了在這個(gè)領(lǐng)域的研究成果，同時(shí)也揭示了尚未解決的問題。

（1）如何選取合適的網(wǎng)絡(luò)形式及網(wǎng)絡(luò)參數(shù)以及樣本集的組成是神經(jīng)網(wǎng)絡(luò)兩級識(shí)別策略應(yīng)用的關(guān)鍵，研究有效的網(wǎng)絡(luò)輸入?yún)?shù)是一個(gè)新的內(nèi)容；

（2）人工神經(jīng)網(wǎng)絡(luò)具備高度適應(yīng)性，學(xué)習(xí)能力和容錯(cuò)能力，但其黑箱系統(tǒng)的特性決定了其硬件實(shí)施的復(fù)雜性，如何提高算法的實(shí)現(xiàn)效率亟待研究；

（3）基于基準(zhǔn)有限元模型的神經(jīng)網(wǎng)絡(luò)二級識(shí)別策略必然伴隨著模型誤差的不利因素，如何與精密建模理論和方法相結(jié)合也亟待研究。

作者：張楊 單位：江蘇省建筑科學(xué)研究院有限公司