前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇神經(jīng)網(wǎng)絡(luò)的特性范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

神經(jīng)網(wǎng)絡(luò)的特性范文第1篇

1引言

在電路仿真中,電子器件的建模方法主要有物理模型法、宏模型法和神經(jīng)網(wǎng)絡(luò)法[1-2].所謂物理模型,就是根據(jù)電子器件的物理特性建立模型,但由于器件的參數(shù)只有通過生產(chǎn)器件的廠家才能獲得,因此普通用戶一般不采用此方法建模.宏模型是電路子系統(tǒng)的等效電路,以端點變量對原電路進行精確的描述.電路仿真標準軟件PSpice中提供了多項式法、函數(shù)法和查表法等用于構(gòu)造電路的宏模型,但多項式法和函數(shù)法都要求器件特性可以用多項式或函數(shù)來表達,而大多數(shù)電器件特性是不能寫出表達式的;查表法則需要大量數(shù)據(jù)才能保證模型的精度.神經(jīng)網(wǎng)絡(luò)用于電子器件建模是近幾年提出的新方法,已經(jīng)用于隧道二極管[3]和傳感器建模[4],但目前主要應(yīng)用于具有簡單非線性、可用單神經(jīng)網(wǎng)絡(luò)逼近的器件建模.本文針對具有復(fù)雜非線性的電子器件建模,提出了分段建模的方法,并應(yīng)用于建立穩(wěn)壓二極管的電路仿真模型.

2單神經(jīng)網(wǎng)絡(luò)用于穩(wěn)壓二極管特性逼近

神經(jīng)網(wǎng)絡(luò)用于器件建模一般分為3個過程:a.獲取被建模元件的輸入輸出數(shù)據(jù),并作為神經(jīng)網(wǎng)絡(luò)的輸入輸出矢量;b.利用上述輸入輸出矢量對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,按期望精度獲得網(wǎng)絡(luò)的權(quán)值和閾值;c.在Pspice中建立單個神經(jīng)元和神經(jīng)網(wǎng)絡(luò)的模型.選取1N4732A穩(wěn)壓二極管作為研究對象,其伏安特性數(shù)據(jù)如（表略）對數(shù)據(jù)歸一化處理后,選取具有單隱層的BP神經(jīng)網(wǎng)絡(luò)進行特性逼近,結(jié)果當隱層神經(jīng)元個數(shù)為65個時,才達到精度要求.由于隱層神經(jīng)元個數(shù)多,所建器件模型過于復(fù)雜,會造成仿真過程時間長甚至不收斂等現(xiàn)象.因此,采用單個神經(jīng)網(wǎng)絡(luò)無法建立滿意的1N4732A穩(wěn)壓二極管模型.

3穩(wěn)壓二極管模型的分段建模實現(xiàn)

根據(jù)1N4732A的電壓電流特性,將其分為正向特性曲線部分和反向特性曲線部分,并分別采用BP神經(jīng)網(wǎng)絡(luò)進行逼近.正向和反向訓(xùn)練結(jié)果分別（圖略）為了適應(yīng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練,在反向特性訓(xùn)練前,先將電流值取反,在PSpice描述時再將電流取反即可.訓(xùn)練結(jié)果表明,對正向特性的逼近所需要的神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個數(shù)為4個,對反向特性的逼近所需要的神經(jīng)網(wǎng)絡(luò)隱層神經(jīng)元個數(shù)為5個,作用函數(shù)均采用S型函數(shù).將正向特性神經(jīng)網(wǎng)絡(luò)和反向特性神經(jīng)網(wǎng)絡(luò)分別在PSpice中進行描述[2-3],并采用如圖3所示結(jié)構(gòu)形成子電路,即完成建模過程.圖中,SW1和SW2為電壓控制開關(guān),E1和E2為電壓控制電壓源,受節(jié)點1和2之間的電壓控制;G(V5+V8)為電壓控制電流源,其電流受節(jié)點5和8電壓之和的控制.通過對SW1和SW2導(dǎo)通和關(guān)斷電壓的控制可以完成特性曲線的切換.為驗證模型的有效性,在PSpice中,對該模型加一直流掃描電壓,其伏安特性曲線如圖4所示,符合精度要求.

神經(jīng)網(wǎng)絡(luò)的特性范文第2篇

關(guān)鍵詞：仿生算法；神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號：TP183文獻標識碼：Adoi: 10.3969/j.issn.1003-6970.2011.03.017

An Improved Algorithm of Bionic Research and Analysis

Yue Tong-sen, Wang Da-hai

(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)

【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.

【Key words】Bionic algorithm; Neural network; Genetic algorithm

0引言

人工神經(jīng)網(wǎng)絡(luò)[1]和遺傳算法[2]是仿生算法[3]的典型方法，它們的優(yōu)化問題一直是眾多研究者所倍為關(guān)注的研究熱點之一。在人工神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)構(gòu)的研究中發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)具有很好的模式分類的特性，遺傳算法有很好的動態(tài)變更權(quán)值的特性，基于此，本文提出了一種改進的基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的算法。本章的改進算法，就是對人工神經(jīng)網(wǎng)絡(luò)和遺傳算法進行了變換，增強了對輸入權(quán)值的變化速度，并提出用減少輸入層個數(shù)的方法是加快神經(jīng)網(wǎng)絡(luò)學(xué)習的有效方法，取得了良好的實驗效果。

1神經(jīng)網(wǎng)絡(luò)和遺傳算法的特究點

1.1神經(jīng)網(wǎng)絡(luò)和遺傳算法的不同點

1．神經(jīng)網(wǎng)絡(luò)是多層感知機，而遺傳算法是單層感知機。神經(jīng)網(wǎng)絡(luò)是由輸入層，隱含層和輸出層夠成，但遺傳算法的基因組是一個數(shù)組，不管基因的長度有多長，其結(jié)構(gòu)仍然是一個單層感知機。

2． 神經(jīng)網(wǎng)絡(luò)的隱含神經(jīng)元個數(shù)是不確定的，而輸出層和輸入層的個數(shù)是可以確定的。我們希望輸入層的個數(shù)用新的方法得到降低，這樣神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度就可以提高。同時對于隱含層的層數(shù)，一般情況設(shè)為1。每層的神經(jīng)元個數(shù)也并不是越多越好，是要根據(jù)問題的情況而變動的。但神經(jīng)網(wǎng)絡(luò)的隱含層是不確定的，而且隱含層的個數(shù)也是不確定的。對于遺傳算法，它的二進制的長度是可以確定的，但是交叉和變異的比例是變動的。對于單點交叉比例，我們可以設(shè)定為黃金分割點。雖然設(shè)定為黃金分割點作為單點交叉比例沒有用數(shù)學(xué)方法嚴格的證明，但是，大量的實驗表明，選擇黃金分割點往往可以得到較好的結(jié)果。對于變異比例，沒有交好的方法確定，只能設(shè)計交互式的實驗來調(diào)試決定。

3．權(quán)值的更新方式不一樣。神經(jīng)網(wǎng)絡(luò)的權(quán)值的更新方式是時時的，而遺傳算法權(quán)值的更新方式是批量的。

4．兩者應(yīng)用的范圍不一樣。神經(jīng)網(wǎng)絡(luò)主要應(yīng)用于模式匹配，錯誤診斷，監(jiān)視病人的狀態(tài)，特征提取，數(shù)據(jù)過濾。而遺傳算法主要應(yīng)用在計算機輔助設(shè)計，日程安排，經(jīng)濟學(xué)的投資研究等。

1.2神經(jīng)網(wǎng)絡(luò)和遺傳算法的相同點

1．有教師的學(xué)習。神經(jīng)網(wǎng)絡(luò)的輸出是有目標的，當然是確定的。同時對于遺傳算法的目標也是確定的。所以兩者都是有目標的，也就是有教師的學(xué)習。

2．隨機近似優(yōu)化過程。神經(jīng)網(wǎng)絡(luò)中，如果把網(wǎng)絡(luò)的權(quán)值初始化為接近于0的值，那么在早期的梯度下降步驟中，網(wǎng)絡(luò)將表現(xiàn)為一個非常平滑的函數(shù)，近似為輸入的線性函數(shù)，這是因為sigmoid函數(shù)本身在權(quán)值靠近0時接近線性。同樣，遺傳算法的初始個體都是隨機產(chǎn)生的，它的交叉和變異都是一個不斷近似的過程。

3．并行化。神經(jīng)網(wǎng)絡(luò)的每個神經(jīng)元是獨立的，如果把每個神經(jīng)元分配一個處理器，那么就可以采用并行的方式。同樣，遺傳算法很自然地適合并行實現(xiàn)，有粗粒度并行方法和細粒度并行方法。有粗粒度并行方法就是把群體細分成相對獨立的個體群，稱為類屬，然后為每個類屬分配一個不同的計算節(jié)點，在每個節(jié)點進行標準的GA搜索。細粒度并行方法就是給每個個體分配一個處理器，然后相鄰的個體間發(fā)生重組。

2算法的研究及改進

結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的研究的本質(zhì)，通過兩種算法結(jié)合的研究及改進，提高算法的收斂速度，從大量的數(shù)據(jù)中模擬生物的特性來完成特定的任務(wù)和解決問題的方法和方向。由于遺傳算法是單層感知機，而神經(jīng)網(wǎng)絡(luò)是多層感知機，所以可以從多層感知機的多層性，我們想象為遺傳算法是單層感知機作為神經(jīng)網(wǎng)絡(luò)是多層感知機的輸入層。這樣，我們就可以采用遺傳算法的動態(tài)變更權(quán)值的特性來對神經(jīng)網(wǎng)絡(luò)輸入層有效性的遺傳和變異。這種算法適合與沒有輸入，只有輸出的應(yīng)用，就像無人駕駛技術(shù)中控制行駛的速度和方向的控制一樣?；镜目蚣苋鐖D1：

圖1結(jié)合人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的框圖

Fig.1 Combined with artificial neural network and genetic algorithm diagram

最上面的是智能體，神經(jīng)網(wǎng)絡(luò)的輸出來控制智能體，控制中心將神經(jīng)網(wǎng)絡(luò)的權(quán)值用遺傳算法的初始體來提供。

2.1遺傳算法的基因作為神經(jīng)網(wǎng)絡(luò)的權(quán)值變量

遺傳算法的基因的初始化必須要滿足神經(jīng)網(wǎng)絡(luò)的輸入要求，一般遺傳算法的基因都是0，1編碼。但是為了達到神經(jīng)網(wǎng)絡(luò)的輸入要求，是要在（-1，+1）之間隨機產(chǎn)生。

2.2遺傳傳算法中雜交點選擇

遺傳算法中，一般都是采用隨機平均變異[4][5]的方式，但是如果輸入是由遺傳算法的基因提供的話，為了保證在變異的時候，采用標記變異的方法。我們可以首先根據(jù)圖2的神經(jīng)網(wǎng)絡(luò)來考慮：

圖2遺傳算法作為人工神經(jīng)網(wǎng)絡(luò)和的權(quán)值圖

Fig.2 Genetic algorithm as artificial neural network and the weights of figure

很顯然，（0.3,-0.8,-0.2）是神經(jīng)元1的權(quán)值 ；(0.6,0.1,-0.1)是神經(jīng)元2的的權(quán)值；(0.4,0.5) 神經(jīng)元3的權(quán)值。為了在遺傳算法中的雜交過程中，不破壞每個神經(jīng)元的權(quán)值個數(shù)，特意標記（3，6）所在的箭頭。

2.3引入神經(jīng)網(wǎng)絡(luò)輸入層的數(shù)據(jù)預(yù)處理

神經(jīng)網(wǎng)絡(luò)的計算問題是神經(jīng)網(wǎng)絡(luò)應(yīng)用中最為關(guān)鍵的問題。如何提高網(wǎng)絡(luò)的訓(xùn)練速度是算法研究的重點。我們在思考問題的時候，總是希望問題越簡單越容易解決。同樣，我們也可以通過對數(shù)據(jù)的預(yù)處理，來降低問題的難度。

為了減少輸入層的個數(shù)，我們可以先對數(shù)據(jù)進行預(yù)處理。預(yù)處理的方法為如下流程：

（1）.計算機器人前進方向Position(x,y)和目標的所在的位置Location(x,y)。

（2）.歸一化Position(x,y) 和Location(x,y)。

（3）.用點乘的計算公式計算兩者點乘。

（4）.用符號重載的方式計算是順時針還是相反。

（5）.計算角度=第3步的結(jié)果*第4步的結(jié)果。

3實驗結(jié)果及分析

3.1實驗框架

將本算法應(yīng)用于掃雪機器人的智能控制中，設(shè)計的主要模塊：

3.1.1神經(jīng)網(wǎng)絡(luò)部分的設(shè)計

神經(jīng)網(wǎng)絡(luò)的輸入由四個變量組成：掃雪機器人方向向量（由兩個變量組成，即在X和Y的分量），發(fā)現(xiàn)目標，即雪的向量（由兩個變量組成，即在X和Y的分量）。神經(jīng)網(wǎng)絡(luò)的隱含層由一層組成，而且由10個神經(jīng)元。神經(jīng)網(wǎng)絡(luò)的輸出由兩個變量組成，V1和V2，分別作用在機器人的左輪和右輪上。神經(jīng)網(wǎng)絡(luò)的響應(yīng)函數(shù)采用SIGMOD。

3.1.2遺傳算法部分的設(shè)計

遺傳算法的初始化是為神經(jīng)網(wǎng)絡(luò)提供權(quán)值，所以是由[-1，1]隨機數(shù)產(chǎn)生。遺傳算法的變異是采用隨機變量的變異，選擇采用輪轉(zhuǎn)法。

3.1.3掃雪機器人

掃雪機器人用神經(jīng)網(wǎng)絡(luò)來控制，當找到目標后，它的適值就加一。這樣就隨著發(fā)現(xiàn)目標越多，它的適值就越大。學(xué)習能力是通過不斷的學(xué)習后，它的適值就會加強。如果直接采用機器人前進方向和目標的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個變量。

3.2結(jié)果與分析

如果直接采用機器人前進方向和目標的所在的位置，那么神經(jīng)網(wǎng)絡(luò)的輸入為四個變量。通過對掃雪機器人的學(xué)習過程，沒有進行預(yù)處理的數(shù)據(jù)，即四個變量輸入神經(jīng)網(wǎng)絡(luò)后的參數(shù)設(shè)定：神經(jīng)網(wǎng)絡(luò)的輸入為4，神經(jīng)元為6個，輸出個數(shù)為2個，如圖3所示：

圖3網(wǎng)絡(luò)的參數(shù)設(shè)定圖

Fig.3 Network parameters set figure

我們設(shè)定初始的適值為0，如果發(fā)現(xiàn)一個目標后，它所對應(yīng)的適值就加上1，這樣經(jīng)過50次的進化后，沒有進行數(shù)據(jù)預(yù)處理的最大值是25，平均值是10.1333。如表1所示：

將50次的統(tǒng)計結(jié)果用柱狀圖進行對比,如圖4所示。

圖4進化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對比圖

Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

為了減少輸入層的個數(shù)，我們可以先對數(shù)據(jù)進行預(yù)處理下面，用統(tǒng)計的方法對數(shù)據(jù)進行的結(jié)果分析，如表2所示。

將進化100代后，對比兩者的對比柱狀圖如圖5所示。

圖5進化50代后的加入數(shù)據(jù)預(yù)處理和沒有加入預(yù)處理的對比圖

Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram

實驗結(jié)果表明，為了減少輸入層的個數(shù)，先對數(shù)據(jù)進行預(yù)處理。通過對掃雪機器人的過程的數(shù)據(jù)分析進行分析，數(shù)據(jù)預(yù)處理后的智能進化學(xué)習能力相對于原始數(shù)據(jù)的智能進化學(xué)習能力有明顯的提高。

4結(jié)束語

本文提出了基于神經(jīng)網(wǎng)絡(luò)和遺傳算法結(jié)合的改進算法，對于遺傳算法的變異操作進行改進，不會破壞單個神經(jīng)元的輸入權(quán)值的基礎(chǔ)上，采用數(shù)據(jù)預(yù)處理的方法來減少輸入層的個數(shù)，從而提高進化學(xué)習的能力。從實驗數(shù)據(jù)中可以看到，本章提出的改進算法加快了學(xué)習速度，達到了提高智能學(xué)習的預(yù)期

目的。

參考文獻

[1] 喬俊飛，韓桂紅．神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)動態(tài)優(yōu)化設(shè)計的分析與展望[J].控制理論與應(yīng)用，2010,3(13):350-357.

[2] 葛繼科，邱玉輝,吳春明，等．遺傳算法研究綜述[J].計算機應(yīng)用研究,2008,10(9):2911-2916.

[3] 丁建立，陳增強，袁著祉．智能仿生算法及其網(wǎng)絡(luò)優(yōu)化中的應(yīng)用研究進展[J].計算機工程與應(yīng)用，2003,12(3):10-15

[4] 鞏敦衛(wèi)，等．交互式遺傳算法原來及其應(yīng)用[M].北京:國防工業(yè)出版社,2007.

神經(jīng)網(wǎng)絡(luò)的特性范文第3篇

關(guān)鍵詞：煤灰結(jié)渣；BP神經(jīng)網(wǎng)絡(luò)；RBF神經(jīng)網(wǎng)絡(luò)

1前言

結(jié)渣是在鍋爐內(nèi)煙氣側(cè)受熱面出現(xiàn)的嚴重影響鍋爐正常運行的故障現(xiàn)象，其主要由煙氣中夾帶的熔化或部分熔化的顆粒碰撞在爐墻，水冷壁或管子上被冷卻凝固而形成。結(jié)渣主要以粘稠或熔融的沉淀物形式出現(xiàn)在輻射受熱面上，如水冷壁、水排管、防渣管、過熱器管排等[1]。

本文為了有效地克服單一指標分類界限過于明顯的問題。采用現(xiàn)研究領(lǐng)域比較廣泛采用多指標綜合評價方法，利用模糊數(shù)學(xué)對結(jié)渣進行評判，從而可以更好的解決單一指標所造成的分界過于明顯和準確率偏低的缺陷[2]~ [3]。

2影響煤灰結(jié)渣特性的因素分析

灰分是由金屬氧化物和非金屬氧化物及其鹽類組成的復(fù)雜物質(zhì)，以SiO2和Al2O3為主，主要有Fe2O3、CaO、MgO、TiO2、SO3、Na2O和K2O等?？蓪⒒抑懈餮趸锓殖蓛深悾阂活悶樗嵝匝趸铮碨iO2、Al2O3；另一類為堿性氧化物，即Fe2O3、CaO、MgO等。對于灰的結(jié)渣性能來說，灰的熔融特性是應(yīng)特別予以關(guān)注的，煤灰沒有固定的熔化溫度，僅有一個熔化范圍。在鍋爐設(shè)計中，大多采用軟化溫度ST作為灰的熔點。根據(jù)灰熔點的高低，把煤灰分成易熔、中等熔融、難熔、極難熔。而灰黏度是表征高溫熔融狀態(tài)下灰的流動特性，通常根據(jù)牛頓摩擦定律，采用黏度計測定[4]。

3多指標神經(jīng)網(wǎng)絡(luò)模型的建立

3.1四種指標綜合對比分析

(1)硅比G

G=SiO2×100/(SiO2＋CaO＋MgO＋當量Fe2O3)%(21)

式中，當量Fe2O3＝Fe2O3＋1.11FeO＋1.43Fe。

表21 硅比G判斷結(jié)渣性的判別界限

（2）硅鋁比（SiO2/Al2O3）

硅鋁比中SiO2和Al2O3是煤中主要酸性氧化物，Al2O3的增加總是使灰熔點上升，而SiO2的影響則具有雙重性，一方面SiO2較容易與鍵性成分形成低熔點化合物，降低煤灰熔點，另一方面SiO2含量高時，SiO2本身又會使灰熔點上升。用硅鋁比判斷煤結(jié)渣傾向的界限為：

①SiO2/Al2O3＜1.87,輕微結(jié)渣；

②SiO2/Al2O3＝2.65～1.87中等結(jié)渣；

③SiO2/Al2O3＞2.65,嚴重結(jié)渣。

（3）鐵鈣比（Fe2O3/CaO）

美國近年來用鈣鐵比作為判斷煙煤型灰（Fe2O3＞CaO＋MgO）的結(jié)渣指標之一，推薦的界限為[5]：

①Fe2O3/CaO＜0.3，不結(jié)渣；

②Fe2O3/CaO=0.3～3,中等或嚴重結(jié)渣；

③Fe2O3/CaO＞3，嚴重結(jié)渣。

（4）酸堿比

B/A=(Fe2O3+CaO+MgO+Na2O+K2O)/(SiO2+Al2O3+TiO2) (22)

酸堿比中分母為酸性化合物，分子為堿性化合物，在高溫下，這兩種氧化物會互相作用形成低熔點的共熔鹽，這些鹽類通常具有較固定的組合形式，因此當煤灰中的酸堿比過高或過低時，灰熔點都會提高。使用堿酸比來判斷灰結(jié)渣傾向時，推薦的界限值如表22所示

表22酸堿比判斷結(jié)渣傾向界限值

3.2神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型的運算是以MATLAB軟件為平臺的，MATLAB是Math Works公司推出的一套高性能的數(shù)值計算可視化軟件，MATLAB具有以下的特點：(1)功能強大；(2)界面友善、語言自然；(3)開放性強[6] [7]。

（1）BP神經(jīng)網(wǎng)絡(luò)

在進行BP神經(jīng)網(wǎng)絡(luò)設(shè)計時，需要考慮以下問題：網(wǎng)絡(luò)的拓撲結(jié)構(gòu)（隱層的層數(shù)及各層的神經(jīng)元的數(shù)目）；神經(jīng)元變換函數(shù)的選取；網(wǎng)絡(luò)的初始化（連接權(quán)值和閾值的初始化）；訓(xùn)練參數(shù)設(shè)置；訓(xùn)練樣本的歸一化處理；樣本數(shù)據(jù)導(dǎo)入方式等。

根據(jù)以上分析可知，針對本文內(nèi)容，BP網(wǎng)絡(luò)的建立可以分為4個基本步驟：

（1）網(wǎng)絡(luò)建立。網(wǎng)絡(luò)的輸入層為熔融溫度和混煤煤灰成分含量（即混煤煤灰中的各氧化物含量），此輸入層有4個神經(jīng)元節(jié)點，煤灰的軟化溫度t2、堿酸比B/A、硅鋁比、硅比 G作為輸入的TT矩陣的4個神經(jīng)元節(jié)點，模型選用30個已知實驗數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本，并對數(shù)據(jù)進行預(yù)處理，使其在[-1,1]的區(qū)間內(nèi)。網(wǎng)絡(luò)系統(tǒng)初始采用4個輸入節(jié)點，16個、20個、25個、30個隱層節(jié)點及3個輸出節(jié)點，其運行殘差曲線如圖1所示。

（2）初始化。創(chuàng)建網(wǎng)絡(luò)對象時自動調(diào)用初始化函數(shù)，根據(jù)缺省的參數(shù)對網(wǎng)絡(luò)進行連接權(quán)值和閾值的初始化。

（3）網(wǎng)絡(luò)訓(xùn)練。設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)。初始設(shè)置學(xué)習率為默認值，訓(xùn)練目標為0.001，最大訓(xùn)練次數(shù)為5000次。

（4）網(wǎng)絡(luò)仿真。它根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，對測試數(shù)據(jù)進行仿真計算。

BP神經(jīng)網(wǎng)絡(luò)（16節(jié)點）

誤差分析圖

b）BP神經(jīng)網(wǎng)絡(luò)（20節(jié)點）

誤差分析圖

BP神經(jīng)網(wǎng)絡(luò)（25節(jié)點）

誤差分析圖

d)BP神經(jīng)網(wǎng)絡(luò)（30節(jié)點）

誤差分析圖

圖1BP神經(jīng)網(wǎng)絡(luò)模型殘差分析圖

（2）RBF神經(jīng)網(wǎng)絡(luò)模型

同BP神經(jīng)網(wǎng)絡(luò)一樣，使用RBF神經(jīng)網(wǎng)絡(luò)進行預(yù)測，首先要根據(jù)實際使用問題確定網(wǎng)絡(luò)結(jié)構(gòu)和設(shè)計合理的輸入輸出模式，然后利用輸入輸出樣本集創(chuàng)建并訓(xùn)練網(wǎng)絡(luò)，以使網(wǎng)絡(luò)實現(xiàn)給定的輸入輸出之間的映射關(guān)系。

在MATLAB環(huán)境中創(chuàng)建RBF預(yù)測神經(jīng)網(wǎng)絡(luò)和使用該網(wǎng)絡(luò)進行預(yù)測的基本步驟可以描述為以下幾步：

Step l：設(shè)計輸入輸出模式。主要包括特征量的選擇、適合網(wǎng)絡(luò)輸入和輸出的輸入變量與輸出變量的設(shè)計、樣本數(shù)據(jù)的預(yù)處理等操作。

Step 2：創(chuàng)建并訓(xùn)練網(wǎng)絡(luò)。確定徑向基函數(shù)的分布密度SPREAD的值，調(diào)用newrb函數(shù)創(chuàng)建RBF神經(jīng)網(wǎng)絡(luò)。RBF神經(jīng)網(wǎng)絡(luò)的創(chuàng)建過程就是訓(xùn)練過程，創(chuàng)建好的網(wǎng)絡(luò)net已經(jīng)是訓(xùn)練好了的網(wǎng)絡(luò)。

Step 3：測試和修改網(wǎng)絡(luò)。調(diào)用Sim函數(shù)測試網(wǎng)絡(luò)，如果輸出結(jié)果與實際值誤差過大，必須根據(jù)實際情況重新選擇樣本數(shù)據(jù)、重新選擇SPREAD值或調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，最終殘差曲線如圖2所示。

Step 4：使用網(wǎng)絡(luò)進行實際預(yù)測。

圖2RBF神經(jīng)網(wǎng)絡(luò)殘差分析圖

（3）兩種神經(jīng)網(wǎng)絡(luò)模型診斷結(jié)果對比分析

下表給出了兩種神經(jīng)網(wǎng)絡(luò)模型對鍋爐結(jié)渣的預(yù)測情況與實際情況的對比結(jié)果，在MATLAB的運行結(jié)果中去除一部分無效的結(jié)果，可以得到預(yù)測結(jié)果的準確率，詳細結(jié)果如下：

表1預(yù)測結(jié)渣情況與實際結(jié)渣情況對比及預(yù)測準確率

從表1中可以看到，在RBF神經(jīng)網(wǎng)絡(luò)中預(yù)測的準確率可達到86.7%，而在BP神經(jīng)網(wǎng)絡(luò)中隨著隱藏節(jié)點數(shù)的增加，預(yù)測結(jié)渣情況的準確率也在增加，而RBF網(wǎng)絡(luò)模型預(yù)測結(jié)渣情況的準確率則好于BP神經(jīng)網(wǎng)絡(luò)模型隱藏節(jié)點為25時的情況。所以在實際預(yù)測中應(yīng)在設(shè)計時通過不斷實踐加以選擇，以減小預(yù)測誤差。

預(yù)測值和實際測量值之間的誤差，其產(chǎn)生原因主要包括以下幾個方面：其一，用于網(wǎng)絡(luò)訓(xùn)練和預(yù)測的樣本值雖然都來自現(xiàn)場的數(shù)據(jù)，但都是實驗測量得到的，因此難免存在測量誤差；其二是網(wǎng)絡(luò)本身帶來的誤差，畢竟人工神經(jīng)網(wǎng)絡(luò)只是用來研究燃煤特性的一種工具，不可能完全反應(yīng)復(fù)雜多變的現(xiàn)實世界，況且目前人工神經(jīng)網(wǎng)絡(luò)技術(shù)本身發(fā)展并不完善。其三，網(wǎng)絡(luò)本身影響誤差的因素較多，比如算法和參數(shù)的影響。

4 結(jié)論

本文以根據(jù)煤灰成分來實現(xiàn)預(yù)測煤灰結(jié)渣情況為目的，結(jié)合神經(jīng)網(wǎng)絡(luò)理論、預(yù)測理論，研究了基于BP神經(jīng)網(wǎng)絡(luò)和基于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測方法及其應(yīng)用。通過對比分析得出以下結(jié)論：

（1）多指標神經(jīng)網(wǎng)絡(luò)模型更有利于對煤灰結(jié)渣特性的準確分析，對比BP神經(jīng)網(wǎng)絡(luò)和基于RBF神經(jīng)網(wǎng)絡(luò)兩種模型的分析結(jié)果，BP神經(jīng)網(wǎng)絡(luò)的結(jié)果更接近實際值。

（2）當隱藏節(jié)點增加時，兩種神經(jīng)網(wǎng)絡(luò)模型的診斷率隨之升高，當隱藏節(jié)點數(shù)達到30時，BP神經(jīng)網(wǎng)絡(luò)模型的診斷率達到最高。

（3）在對RBF神經(jīng)網(wǎng)絡(luò)原理、結(jié)構(gòu)和RBF算法進行分析研究的基礎(chǔ)上，給出了基于BP、RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測方法的MATLAB運算。

參考文獻

姚星一．煤灰熔點與化學(xué)成分的關(guān)系．燃料化學(xué)學(xué)報，1965，6（2）：151～161

神經(jīng)網(wǎng)絡(luò)的特性范文第4篇

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；非線性函數(shù)；擬合；收斂

中圖分類號：TP18文獻標識碼：A文章編號：1009-3044(2012)27-6579-05

Nonlinear Function Approximation Based on BP Neural Network

ZHANG Bao-kun1, ZHANG Bao-yi2

(1.China Nuclear Control System Engineering Co.,Ltd, Beijing 100076, China; 2. Shenzhen Speedy-Tech Electronics Co., Ltd, Shenzhen 518004, China)

Abstract: This paper introduces the features and algorithm theorem of BP neural network, and deduces the update rules of the network weight based on a given BP neural network. According to several problems of BP neural network, suggestions are pro? vided for these problems. Applicability of BP neural network for nonlinear function approximation is verified by simulations, and the accuracy can be guaranteed.

Key words: BP neural network; nonlinear function; approximation; convergence

BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland提出的，它是一種誤差按反向傳播的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)具有非常強的非線性映射能力，能以任意精度逼近任意連續(xù)函數(shù)，因此在人工智能的許多領(lǐng)域都得到了廣泛的應(yīng)用。

通常，BP算法是通過一些學(xué)習規(guī)則來調(diào)整神經(jīng)元之間的連接權(quán)值，在學(xué)習過程中，學(xué)習規(guī)則以及網(wǎng)絡(luò)的拓撲結(jié)構(gòu)不變。然而一個神經(jīng)網(wǎng)絡(luò)的信息處理功能不僅取決于神經(jīng)元之間的連接強度，而且與網(wǎng)絡(luò)的拓撲結(jié)構(gòu)（神經(jīng)元的連接方式）、神經(jīng)元的輸入輸出特性和神經(jīng)元的閾值有關(guān)，因而神經(jīng)網(wǎng)絡(luò)模型要加強自身的適應(yīng)和學(xué)習能力，應(yīng)該知道如何合理地自組織網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，知道改變神經(jīng)元的激活特性以及在必要時調(diào)整網(wǎng)絡(luò)的學(xué)習參數(shù)等。[1]圖1多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖1中給出的多層神經(jīng)網(wǎng)絡(luò)輸入層有n個神經(jīng)元，隱含層有l(wèi)個神經(jīng)元，輸出層有m個神經(jīng)元。其中wij是輸入層第i個神經(jīng)元和隱含層第j個神經(jīng)元之間的連接權(quán)值，wjk是隱含層第j個神經(jīng)元和輸出層第k個神經(jīng)元之間的連接權(quán)值。對于輸入層神經(jīng)元，其作用函數(shù)取線性函數(shù)，即神經(jīng)元的輸出等于輸入。隱含層和輸出層神經(jīng)元的輸入分別是上一層神經(jīng)元輸出的加權(quán)和，且每個神

在以下仿真實例中，BP網(wǎng)絡(luò)為有監(jiān)督學(xué)習，訓(xùn)練輸入樣本為input=[1 2 3 4 5 6 7 8 9 10 11 12 13 14],輸出樣本output=[1 2 3 6 11 16 19 24 25 29 32 33 36 42],隱含層節(jié)點數(shù)為6，網(wǎng)絡(luò)最大訓(xùn)練次數(shù)為1000次，學(xué)習率為0.005，輸入層到隱含層的初始權(quán)值W1以及隱含層到輸出層的初始權(quán)值均為-0.1至0.1范圍內(nèi)的隨機數(shù)，仿真結(jié)果如下兩圖所示：圖3 BP神經(jīng)網(wǎng)絡(luò)擬合誤差曲線

圖2中的虛線為BP網(wǎng)絡(luò)對測試數(shù)據(jù)的擬合曲線。實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能有效擬合非線性函數(shù)，若增加隱含層節(jié)點數(shù)則能進一步提高擬合精度，但是會加大計算量，影響訓(xùn)練速度。

本文首先介紹了BP神經(jīng)網(wǎng)絡(luò)的原理以及網(wǎng)絡(luò)權(quán)值的修正規(guī)則，然后通過編程實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)，并將之應(yīng)用到非線性函數(shù)的擬合。實驗結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)能很好的擬合非線性函數(shù)，參數(shù)的選擇對網(wǎng)絡(luò)的性能影響很大。

[1]何偉,譚駿珊,王楚正,等.BP神經(jīng)網(wǎng)絡(luò)的改進算法及應(yīng)用[J].信息與電腦,2009(10):34-36.

[2]程森林,師超超.BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制算法的仿真研究[J].計算機系統(tǒng)應(yīng)用,2011，20(8):100-103.

[3]周永進,蔡惠華,尹遜震,等.改進的BP網(wǎng)絡(luò)及其在數(shù)據(jù)預(yù)測中的應(yīng)用[J].微計算機信息,2007,23(27):150-151.

[4]夏玫.BP神經(jīng)網(wǎng)絡(luò)泛化能力改進研究[D].太原科技大學(xué),2009.

[5]王爽,張鷹,呂瑞霞.BP神經(jīng)網(wǎng)絡(luò)的算法改進及應(yīng)用[J].電腦知識與技術(shù),2009,15(4):933-935.

神經(jīng)網(wǎng)絡(luò)的特性范文第5篇

關(guān)鍵詞：重力壩；徑向基神經(jīng)網(wǎng)絡(luò)；損傷識別；輸入?yún)?shù)

引言

結(jié)構(gòu)工程在使用較長時間后往往會產(chǎn)生不同程度的損傷，使得結(jié)構(gòu)的安全性和耐久性降低，因此迫切需要尋找到高效準確的損傷識別方法，對損傷結(jié)構(gòu)進行維修加固。結(jié)構(gòu)出現(xiàn)損傷后自身的某些特性也隨之發(fā)生變化，許多問題涉及非線性變化，變量之間的關(guān)系復(fù)雜，難以用確切的數(shù)學(xué)、力學(xué)模型來解決。基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷診斷方法不需要結(jié)構(gòu)動力特性的先驗知識，在非線性模式識別和分類具備很強的非線性映射能力，因而廣泛運用在結(jié)構(gòu)工程實際問題研究中，如大型空間網(wǎng)架結(jié)構(gòu)，橋梁結(jié)構(gòu)，多層及高層框架結(jié)構(gòu)，地下隧道，海洋平臺等方向。神經(jīng)網(wǎng)絡(luò)方法不但具有處理數(shù)據(jù)的能力，且具備對知識的學(xué)習和記憶的能力，能夠濾出噪聲干擾正確識別結(jié)構(gòu)損傷信息，Wu[1]早在1992年就證明神經(jīng)網(wǎng)絡(luò)是結(jié)構(gòu)動力學(xué)系統(tǒng)識別的有效工具。對于獨立構(gòu)件和簡單模型的損傷檢測現(xiàn)在已有許多研究，但針對大型復(fù)雜的實際工程，現(xiàn)有的研究仍然不夠，它們的健康診斷和損傷識別無法從單一結(jié)構(gòu)特征物理量反應(yīng)的損傷信息中得到推斷，損傷識別的結(jié)果受到如何選定神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)及其表達形式的影響，因而需要獲得結(jié)構(gòu)的多種特征物理量，利用這些數(shù)據(jù)結(jié)合神經(jīng)網(wǎng)絡(luò)方法對結(jié)構(gòu)進行損傷診斷，確定輸入?yún)?shù)時盡量選擇對結(jié)構(gòu)影響大的特征量。

混凝土大壩發(fā)生損傷其動力特性也會隨之改變，由于大壩結(jié)構(gòu)的老化、損傷對動態(tài)參數(shù)的敏感度低于機械故障診斷中動態(tài)參數(shù)的敏感度，對測試技術(shù)和分析水平要求高，已有學(xué)者選用基于結(jié)構(gòu)動力特性的神經(jīng)網(wǎng)絡(luò)損傷識別對大壩結(jié)構(gòu)進行損傷診斷。文章通過分析參數(shù)的敏感性，針對適用于重力壩損傷識別的高敏感性參數(shù)的選取展開研究。

1 神經(jīng)網(wǎng)絡(luò)方法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱神經(jīng)網(wǎng)絡(luò)或ANN）是對人腦或自然神經(jīng)系統(tǒng)若干基本特征的抽象與模擬，由大量神經(jīng)元廣泛互連而成，它不但具有處理數(shù)值數(shù)據(jù)的一般計算能力，還具有處理知識的思維、學(xué)習、記憶能力，廣泛應(yīng)用于許多領(lǐng)域[2]。

相比于其他神經(jīng)網(wǎng)絡(luò)方法，徑向基神經(jīng)網(wǎng)絡(luò)有明顯優(yōu)勢，它具有結(jié)構(gòu)簡單、訓(xùn)練便捷、迅速收斂、高度非線性映射能力、不易陷入局部最小等優(yōu)點，能逼近任何非線性函數(shù)。它是以函數(shù)逼近理論為基礎(chǔ)而構(gòu)造的一類三層前向網(wǎng)絡(luò)，它包含輸入層、隱含層和輸出層。輸入向量x的維數(shù)對應(yīng)輸入層的每一個輸入節(jié)點，將單元知識傳遞輸入信息到隱含層，隱含層的每個隱含節(jié)點對應(yīng)一個訓(xùn)練數(shù)據(jù)點，隱含節(jié)點與輸出層中每個線性單元連接。

2 輸入?yún)?shù)的選擇

在目前對結(jié)構(gòu)進行健康監(jiān)測和損傷識別的各種方法中，利用動態(tài)特性分析法進行損傷檢測最為廣泛應(yīng)用，針對不同結(jié)構(gòu)選擇合適的模態(tài)數(shù)據(jù)或其導(dǎo)出值，影響著損傷檢測的難易程度和檢測結(jié)果的準確性。模態(tài)性質(zhì)（如固有頻率、振型模態(tài)和曲率模態(tài)）是結(jié)構(gòu)物理參數(shù)的函數(shù)，結(jié)構(gòu)發(fā)生損傷，這些模態(tài)性質(zhì)就會隨之產(chǎn)生相應(yīng)的變化；在損傷識別中，輸入?yún)?shù)應(yīng)該能夠敏感地反映結(jié)構(gòu)損傷，因此輸入?yún)?shù)的選擇對控制神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果精度尤為重要。

經(jīng)常選用特征物理量作為神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)的有：振動響應(yīng)信號、位移、應(yīng)變、速度、頻率、頻率變化比、模態(tài)、曲率等。采用不同的輸入?yún)?shù)或參數(shù)組合，對損傷敏感性的影響不同，大量損傷診斷研究都選用結(jié)構(gòu)頻率作為損傷指標，但有學(xué)者研究證明模態(tài)頻率對損傷并不敏感[3]，任意兩階模態(tài)的頻率變化率，僅僅與損傷位置有關(guān)，與損傷程度無關(guān)。范進勝[4]采用振型曲率比作為輸入?yún)?shù)，試驗討論得到該種方法可以準確識別出結(jié)構(gòu)的損傷位置，對損傷程度的大小也能做出比較。瞿偉廉[5]采用損傷前后應(yīng)變模態(tài)差作為輸入?yún)?shù)，應(yīng)變模態(tài)對結(jié)構(gòu)局部損傷較為敏感，能直接反映結(jié)構(gòu)的損傷狀態(tài)。鞠彥忠[6]采用固有頻率、第一振型模態(tài)、振型、作為輸入?yún)?shù)，得出振型對損傷位置的變化比頻率敏感，損傷引起的變化高階頻率比低階頻率更敏感，固有頻率的改變對位于下部桿件的損傷比對上部更敏感。萬小朋[7]以懸臂梁的損傷識別為例，固定端的振型變化受結(jié)構(gòu)損傷的影響更大，不同位置和不同程度的損傷使得結(jié)構(gòu)第一階振型改變率發(fā)生明顯變化，驗證了采用第一階振型改變率作為輸入?yún)?shù)可用于識別小損傷，在試驗中獲得結(jié)構(gòu)的第一階振型操作簡單，容易實現(xiàn)，測量誤差較小。張剛剛[8]采用參數(shù)頻率、振型模態(tài)、曲率模態(tài)三種指標作為輸入?yún)?shù)，對斜拉索損傷進行研究，得到振型與曲率為輸入?yún)?shù)對損傷識別獲得良好效果，其中曲率模態(tài)對橋梁損傷的敏感度最高。韓西[9]把結(jié)構(gòu)損傷識別問題分為損傷判斷、損傷定位、損傷程度三個階段，定位損傷采用位置的頻率變化平方比作為輸入?yún)?shù)，判別損傷程度的頻率變化比作為輸入?yún)?shù)，證實了該方法具有較好的識別效果。

在已有研究的基礎(chǔ)上，文章利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對重力壩損傷識別展開研究，提出將結(jié)構(gòu)固有頻率和固定點模態(tài)分量組合作為輸入?yún)?shù)，對比選用不同輸入?yún)?shù)的輸出損傷信息。

3 數(shù)值模擬分析

數(shù)值模擬分析選取武都大壩19#右岸非溢流壩段為例進行研究，將模型結(jié)構(gòu)進行簡化，假定壩體材料為彈性體，在壩體上游面模擬動水壓力，選用ABAQUS有限元軟件建立二維有限元模型。為簡化計算選取大壩震后易損傷的壩頸段下游面劃分為多個區(qū)域，設(shè)置水平裂縫模擬大壩結(jié)構(gòu)損傷狀態(tài)。選擇訓(xùn)練樣本時要將損傷情況盡可能包含在內(nèi)，綜合考慮選擇在距壩頂2/19，2.33/19，2.67/19，3/19，3.33/19，3.67/19，4/19壩高處，用大寫字母A、B、C、D、E、F、G表示七類不同位置的裂縫，每處裂縫分為7種損傷程度，分別為該處壩體截面的寬度的0.1、0.2、0.3、0.4、0.5、0.6倍，共得到43組訓(xùn)練樣本，獲得大壩結(jié)構(gòu)不同損傷情況下的動力特性（如圖1）。

神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)分為三個對照組，Ⅰ組選取結(jié)構(gòu)前八階固有頻率，Ⅱ組選取八個指定點的一階模態(tài)水平分量，Ⅲ組選取結(jié)構(gòu)前四階固有頻率和四個指定點的一階模態(tài)水平分量。神經(jīng)網(wǎng)絡(luò)理想輸出參數(shù)為（ya，yb，yc，yd，ye，yf，yg），yx表示結(jié)構(gòu)在x的損傷量，例如（0，0， 0，0.35，0，0，0）表示損傷發(fā)生在結(jié)構(gòu)下游面D處，程度為0.35。

將各組選定的特征物理量作為網(wǎng)絡(luò)的輸入向量，結(jié)構(gòu)損傷狀態(tài)作為輸出參數(shù)，建立損傷分類訓(xùn)練樣本集，將樣本集送入神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，得到結(jié)構(gòu)特征物理量變化與損傷狀態(tài)之間的映射關(guān)系。選取四種樣本用來測試該方法對于損傷的識別精度，對比各對照組的神經(jīng)網(wǎng)絡(luò)輸出結(jié)果（如表1）。

對以上三組損傷識別結(jié)果，對損傷位置識別效果和損傷程度識別誤差進行分析，得到以下結(jié)論：采用頻率變化率作為輸入?yún)?shù)容易獲得，訓(xùn)練速度快，能準確識別損傷位置，對識別程度識別結(jié)果誤差較大。采用固定點第一節(jié)模態(tài)水平分量作為輸入?yún)?shù)訓(xùn)練速度較慢，能夠精確識別損傷位置，且損傷程度識別結(jié)果較為準確。采用將二者結(jié)合的組合參數(shù)作為輸入?yún)?shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，相對于其他兩組該方法具有明顯優(yōu)勢，能準確識別出損傷位置、識別損傷程度，有良好的損傷識別精度。

4結(jié)束語

文章通過對理論分析和武都大壩結(jié)構(gòu)的數(shù)值模擬分析，對比幾組不同輸入?yún)?shù)的神經(jīng)網(wǎng)絡(luò)損傷識別結(jié)果。結(jié)構(gòu)的固有頻率是容易獲得，與測量位置無關(guān)且測量精度高，將結(jié)構(gòu)固有頻率作為輸入?yún)?shù)反映了結(jié)構(gòu)整體動態(tài)特性，但它對結(jié)構(gòu)特征的局部變化不夠敏感。將結(jié)構(gòu)模態(tài)振型作為輸入?yún)?shù)，有很好的識別精度，但該方法不易判斷振型節(jié)點附近的損傷，應(yīng)針對具體情況選擇合理的分析點。

將組合參數(shù)的方法用于重力壩損傷識別，結(jié)合二者優(yōu)點，避開單一輸入?yún)?shù)帶來的缺陷，具有良好的識別效果，識別精確度和神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度明顯優(yōu)于單一輸入?yún)?shù)，可進一步檢驗該方法用于實際結(jié)構(gòu)的有效性。

參考文獻

[1]朱宏平.結(jié)構(gòu)損傷檢測的智能方法[M].人民交通出版社，2009.

[2]Wu X，Ghaboussi J，Garrett Jr J H. Use of neural networks in detection of structural damage[J].Computers & Structures，1992，42（4）：649-659.

[3]Cawley P，Adams R D.The location of defects in structures from measurements of natural frequencies[J].Journal of Strain Analysis，1979；14：49-57.

[4]范進勝，杜守軍.利用神經(jīng)網(wǎng)絡(luò)進行框架結(jié)構(gòu)損傷識別的研究[C]//第14屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集（第三冊），2005.

[5]瞿偉廉，陳偉.多層及高層框架結(jié)構(gòu)地震損傷診斷的神經(jīng)網(wǎng)絡(luò)方法[J].地震工程與工程振動，2002，22（1）：43-48.

[6]鞠彥忠，閻貴平，陳建斌，等.用小波神經(jīng)網(wǎng)絡(luò)檢測結(jié)構(gòu)損傷[J].工程力學(xué)，2003，20（6）：176-181.

[7]萬小朋，李小聰，鮑凱，等.利用振型變化進行結(jié)構(gòu)損傷診斷的研究[J].航空學(xué)報，2003，24（5）：422-426.