归纳学习方法在结构损伤识别中比较研究解读.docVIP

概括学习方法在结构损害辨别中的比较研究解读 概括学习方法在结构损害辨别中的比较研究解读 PAGE / NUMPAGES 概括学习方法在结构损害辨别中的比较研究解读 概括学习方法在结构损害辨别中的比较研究 概括学习方法在结构损害辨别中的比较研究 邢五丰 易健康 摘 要 结构损害辨别是一个热点的研究课题。一些概括学习方法已经被使用来解决这个问题。在这篇文章中，采纳分治法（ DAC）、变治法（ SAC）、装袋学习算法（ Bagging ）、径向基神经网络（ RBFNN）四种不一样的机器学习方法来对混凝土悬臂梁进行损害地点的研究。结果显示概括学习方法特别是装袋学 习方法在噪声程度超出 50%时显然好于神经网络方法。 重点字 结构损害辨别 分治法 变治法 装袋学习算法 神经网络 前言 土木匠程结构如房子建筑、桥梁、大海平台等因为地震、火灾、飓风等自然灾祸或长久作用的疲惫、腐化等原由此产生不一样程度的损害，结构损害经过长久的积累必定会致使结构发生损坏或使用性能降低。所以，提早的发现建筑结构中所存在的损害，对其发生的程度及地点进行剖析辨别成了目前国内外学术界、工程界极为关注的重要研究课题 [1] 。 机器学习是人工智能发展中一个十分活跃的领域。机器学习的发展极为快速，应用亦日趋宽泛，出现了好多优异的学习算法。最近几年来出现了一些使用机器学习方法来展望结构损害的程度和地点，往常这些方法不单能够办理健康数据，并且对有噪声、不确立或不完好的信息有很精准的展望性。从前的研究多数是使用径向基神经网络方法，并获得了不错的成效。可是，运用神经网络方法也有一些弊端，如不易用它的权重层和艰涩的转变来解说结果 模型，并且使用神经网络方法需要较长的学习时间，当数据很大时，性能可能出现问题 [2] 。 本文中，我们先介绍分治法（ DAC）、变治法（ SAC）、装袋学习算法 （ Bagging）、径向基神经网络（ RBFNN）四种概括学习方法，并经过这四种方法对一混凝土悬臂梁进行损害地点的辨别。 学习和辨别方法 2.1 分治法（ Divid-and-Conquer, DAC ） 分治法（ Divid-and-Conquer, DAC ）也叫做递归区分 (Recursive Partitioning, RP)，它能够分级结构有组织的规则（决议树）。分治法的基本思想是将一个规模为 n 的问题分解为 k 个规模较小的子问题，这些子问题相互独立且与原问题 [3] 同样。递归地解决这些子问题，而后将各子问题的解归并获得原问题的解 。 divide-and-conquer(P) { if(|P|=n0)adhoc(P); divide P into smaller subinstances P1,P2, ,Pk; for(i=1,i=k,i++) yi=divide-and-conquer(Pi); return merge(y1, ,yk); ｝ 此中，｜ P｜表示问题 P 的规模。 n0 为一阈值，表示当问题 P 的规模不超出 n0 时，问题已简单解出，不用再持续分解。 adhoc(P) 是该分治法中的基簿本算 法，用于直接解小规模的问题 P。当 P 的规模不超出 n0 时，直接用算法 adhoc(P) 求解。算法 merge(y1, ,yk) 是该分治法中的归并子算法，用于将 P 的子问题 P1,P2, ,Pk 的解 y1, ,yk 归并为 P 的解。 2.2 变治法（ Separate-and-Conquer ） 变治法（ Separate-and-Conquer ）也叫做序列覆盖算法（ sequential covering ）, 它的学习策略为：学习一个规则，移去由其学到的规则覆盖的正例，而后在节余的训练样例上履行，学习第二个规则，再重复这一过程，直到最后学习到析取规则集 [2] 。该算法能够描绘以下 [4] ： 2.3 装袋（ Bagging ）学习算法 装袋（ Bagging ）学习算法的基本思想是 :(1) 给定一个弱学习算法 , 和一个训练 集 ;(2) 单个弱学习算法正确率不高 ;(3) 将该学习算法使用多次 , 得出展望函数序列 , 进行投票 ;(4) 最后结果正确率将获得提升 . 图 1 装袋过程 2.4 径向基神经网络（ RBFNN） RBF 神经网络是一种特别的三层前向网络 , 它拥有非线性可分的模式空间映照 到线性可分状态空间的特征。 RBF 网络结构包含一个输入层、一个隐层和一个 输出层 , 输入层和隐层直接连结 , 隐层单元的作用相当于对输入模式进行一次 变换，将低维的模式输入数据变换到高维空间内，以利于分类辨别，隐单元的 这类变换作用也能够看作是对输入数据进行特点提取。各隐层节点都采纳同样 的径向基函数，径向基函数有多种形式，一般