兩級識別神經(jīng)網(wǎng)絡(luò )技術(shù)論文

　　1神經(jīng)網(wǎng)絡(luò )損傷診斷的兩級識別策略

　　基神經(jīng)于網(wǎng)絡(luò )判別指標過(guò)濾方法的兩級識別策略，具有物理意義清晰，定量、定性的特點(diǎn)。應用于結構的損傷診斷，可以有效解決結構不適定性、非線(xiàn)性帶來(lái)的評估誤差及精度問(wèn)題。

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

　　自適應神經(jīng)網(wǎng)絡(luò )方法基于無(wú)損傷結構在正常服役條件下的實(shí)測響應數據（某個(gè)動(dòng)力特性參數、或多個(gè)動(dòng)力特性參數）作為訓練對象（人工神經(jīng)網(wǎng)絡(luò )的輸入和輸出數據X、Y），依次構造一個(gè)自相關(guān)的神經(jīng)網(wǎng)絡(luò )Net=T(X→Y)。訓練完成后，循環(huán)迭代輸入數據X進(jìn)入已訓練的神經(jīng)網(wǎng)絡(luò )Net，獲得輸出數據Yn。通過(guò)選取合適的殘差判斷函數，通過(guò)對比數據Y和網(wǎng)絡(luò )輸出數據Yn的差值向量,采用某種距離測度函數加以測量形成健康結構的判別指標Vi。當結構發(fā)生損傷，實(shí)測響應數據Xd被作為輸入數據通過(guò)已經(jīng)訓練的神經(jīng)網(wǎng)絡(luò )Net，由輸入數據Xd和輸出數據Yd可以計算得到的新的判別指標Vd，并與Vi相比較計算差值構建損傷指標Di來(lái)判定損傷。當Di大于既定殘差函數時(shí)，即判定結構已經(jīng)發(fā)生損傷。

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

　　自適應神經(jīng)網(wǎng)絡(luò )方法構建自相關(guān)網(wǎng)絡(luò )Net，將實(shí)測響應信息迭代計算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(guò)概率神經(jīng)網(wǎng)絡(luò )PNN判定損傷的位置、類(lèi)型。PNN是通過(guò)具有無(wú)參估計量的已知數據集的概率密度函數來(lái)實(shí)現貝葉斯決策，將其加在人工神經(jīng)網(wǎng)絡(luò )框架中,接著(zhù)進(jìn)行判別未知數據最大可能屬于哪個(gè)已知數集，構建一個(gè)包含損傷類(lèi)別θ1、θ2….θq…θn集合,基于p維試驗向量X的貝葉斯決策d(X)為d（X）∈θq(hqlqfq（X）)>hklkfk（X），k≠q

　�。�1）hj———分類(lèi)指標θj的先驗概率。lj———與錯誤分類(lèi)d(X)埸θj的相關(guān)損失。fj(X)———采用多變量高斯(Gauss)分布函數的概率密度函數：fq（X）∈1nq(2π)p/2σpnqi=1exp-（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}———輸入層的輸入參數。權重向量Wj和向量X的點(diǎn)積zj構成中間層的神經(jīng)元，而相對與分類(lèi)號q的決策層神經(jīng)元輸出為:fq（X）=nqj=1Zqj=nqj=1exp[(XWqj-1)/σ2]

　�。�3）σ—高斯核標準差。在應用中，構建的損傷位置或類(lèi)型假定有多種。以結構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(lèi)型損傷(或混合模式損傷)的實(shí)測模態(tài)數據輸入訓練好的PNN，得出決策層(輸出層)各個(gè)損傷形態(tài)在試驗向量點(diǎn)對應的概率密度函數PDF的估計值，其中，最大PDF估計值對應的預設損傷集合中則得出損傷的位置及類(lèi)型。

　　2應用及展望

　　美國Purdu大學(xué)的Venkatsubrmania和Chan第一次運用BP網(wǎng)絡(luò )進(jìn)行了工廠(chǎng)結構的損傷檢測與診斷，其后的研究中，Kudva將神經(jīng)網(wǎng)絡(luò )兩級識別策略運用于平板結構損傷診斷，提出了大型結構損傷檢測的方法；楊英杰等開(kāi)發(fā)了評估鋼筋混凝土梁的神經(jīng)網(wǎng)絡(luò )系統；Worden等運用神經(jīng)網(wǎng)絡(luò )識別了一個(gè)20根構件組成的結構的損傷；Pandey用兩級識別策略，基于三層神經(jīng)網(wǎng)絡(luò )對大橋桁架結構進(jìn)行損傷評估。近年來(lái)，結構損傷診斷的研究取得了長(cháng)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(wèn)題。

　�。�1）如何選取合適的網(wǎng)絡(luò )形式及網(wǎng)絡(luò )參數以及樣本集的組成是神經(jīng)網(wǎng)絡(luò )兩級識別策略應用的關(guān)鍵，研究有效的網(wǎng)絡(luò )輸入參數是一個(gè)新的內容；

　�。�2）人工神經(jīng)網(wǎng)絡(luò )具備高度適應性，學(xué)習能力和容錯能力，但其黑箱系統的特性決定了其硬件實(shí)施的復雜性，如何提高算法的實(shí)現效率亟待研究；

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

【兩級識別神經(jīng)網(wǎng)絡(luò )技術(shù)論文】相關(guān)文章：

基于LMBP神經(jīng)網(wǎng)絡(luò )的聲納圖像識別08-15

基于神經(jīng)網(wǎng)絡(luò )ZISC的模式識別系統08-14

基于過(guò)程神經(jīng)元的智能仿生腿步態(tài)識別10-30

無(wú)線(xiàn)家庭網(wǎng)絡(luò )技術(shù)論文08-05

神經(jīng)外科護理論文09-28

無(wú)線(xiàn)傳感器網(wǎng)絡(luò )技術(shù)論文10-17

廣播電視網(wǎng)絡(luò )技術(shù)的論文07-24

電子商務(wù)專(zhuān)業(yè)的網(wǎng)絡(luò )技術(shù)論文10-23

人工神經(jīng)網(wǎng)絡(luò )與車(chē)輛的結合論文09-15

神經(jīng)內科醫生臨床論文08-25