基于神经网络桥梁损伤识别模型研究.docVIP

基于神经网络桥梁损伤识别模型研究 　　 摘要：本文，对神经网络中的BP和RBF两种网络模型进行比对，并结合工程实例进行分析。分析结果表明，RBF网络更加接近于结构实际工作状态。同时，以挠度数据为例，采用最小二乘法对数据进行拟合并进行预测；最终，对预测数据进行损伤识别，从而真正达到预测，进而达到预防的目的。 　　 关键词：BP神经网络；RBF神经网络；损伤识别；损伤预测 　　Abstract:In this paper, the BP neural network and the RBF neural network are compared combined with practical engineering examples. The analysis result shows that the RBF neural network was closer to the actural working conditions of structure.Then， the Least squares method was used to fit and predict the deflection damage parameters.Finally, the predicted data was recognised by using RBF neural network, to achieve the objectve of prevention. 　　Keywords: BP neural network; RBF neural network; damage recognition; damage prediction 　　中图分类号：TU74文献标识码：A 文章编号： 　　 目前，神经网络由于自身的特性，在损伤模式识别领域中有着越来越广泛的应用。当桥梁结构出现损伤时，结构中的各个参量或部分参量将表现出与正常状态下的不同特征。桥梁损伤识别的主要任务就是如何找到损伤的特征描述，并利用其进行损伤诊断和结构安全度的评估。前向BP网络和RBF网络的学习算法属于有教师型的。这种算法模型具有很好的推广能力，用于损伤模式识别的效果比较好。训练好的BP网络和RBF网络计算速度快、内存消耗低，可用于实时监测和诊断。以下，着重介绍BP网络和RBF网络。 　　 1基于BP算法的多层前馈网络模型 　　 采用BP算法的多层前馈网络是至今为止应用最广泛的神经网络，BP网络是一种具有三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间无连接。在多层前馈网络的应用中，以单隐层网络的应用最为普遍。一般习惯将单隐层前馈网络称为三层前馈网或三层感知器。 　　 2径向基函数（RBF）网络 　　 径向基函数（Radial-Basis Function，RBF）网络包括三层，输入层由信号源节点（感知单元）组成，它们将网络与外界环境连结起来；径向基隐层含S1个神经元??线性输出层含S2个神经元。分别是两层网络的权值和阈值；S1、S2是两层的神经元的个数；是两层的输出；P是输入；下标表示量的行列数。隐层中的神经元采用径向基传递函数()。输出层中的神经元采用线性传递函数()。 　　 3小沟桥桥跨结构损伤识别模型 　　 小沟桥的各个子系统运行以来，工作状态良好，性能可靠。经过比对实验，该系统能够真实的反映桥梁的各个待测参数，并且具有自动归纳分类的功能。小沟桥右幅桥在某两年24个月的数据训练样本格式为，输入向量依次为挠度、振动、应力、温度、载重、通行量，目标向量是挠度和应变两项的期望输出值（“0”表示完好状态，“1”表示危险状态）。同时，对模型进行损伤仿真的模拟训练。接下来，借助于MATLAB7里所对应的神经网络工具箱，分别用BP网络和RBF网络对以上表1所规定的数据样本进行网络训练。 　　 3.1基于BP网络的损伤识别 　　 由于网络输入变量已经确定，需要进行归一化处理，这里将其变换在[0，1]的范围内，经过归一化处理的数据对于神经网络更容易训练和学习。利用以下代码来创建以上刚刚设计的网络。 　　 Threshold=[01;01; 01;01;01;01] 　　 net=newff(threshold,[13,2],{‘tansig’,‘logsig’},‘trainlm’)； 　　 其中，变量threshold定义了输入向量的最大值和最小值。接下来，对所建网络进行训练，通过调整，使网络的输出误差达到最小，满足实际应用的要求。训练函数trainlm是利用Levenberg-Marquardt算法对网络进行训练的。 　　 网络训练结果为： 　　 TRAINLM, Epoch 0/1 00