前言：中文期刊網精心挑選了對神經網絡的理解范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
對神經網絡的理解范文1
面對復雜的建筑經濟管理問題，以往的大多數管理預測方法的應用弊端也逐漸體現出來。而利用神經網絡則可以解決復雜的非線性問題，繼而可以用于解決復雜和多樣的建筑經濟管理問題。因此，有必要對神經網絡在建筑經濟管理中的應用問題展開研究，繼而更好的應用該理論解決建筑經濟管理問題。
1神經網絡與建筑經濟管理
作為重要的人工智能分支領域，神經網絡是用來處理非線性問題的有效工具。在特性上，神經網絡具有較好的非線性映射能力，并且具有較好的適應性和容錯性。在應用神經網絡進行問題的計算時，不需要先驗模型就可以直接從數據中獲得學習規律。所以，可以用神經網絡解決一些傳統數學方法難以解答的問題，也可以完成對建模困難的復雜問題的處理。所謂的建筑經濟管理，其實就是對建筑活動進行有效的預測和控制。在這一過程中，需要完成對建筑活動的真實描述和分析，并利用規律完成對各種現象的合理解釋。但在實際工作中，建筑經濟管理將涉及大量的變量，并且大多變量具有模糊性。在這種情況下，變量與常量之間常常體現出非線性的關系，繼而難以利用傳統數學解析式完成對變量的合理解釋。而就目前來看，在建筑經濟管理方面，利用神經網絡可以解決管理中的復雜問題的處理。在工程造價預測、經濟預警和招投標等多個方面，神經網絡都具有較好的應用前景。
2建筑經濟管理中的神經網絡的應用
2.1在造價預測方面的應用
在建筑工程造價預測方面，神經網絡可以應用于工程費用的估計。利用BP網絡可以構造出工程成本預測模型，并真實完成對工程生產、管理等各個環節活動的模擬。而通過分析成本的各種組成，并完成對工程價值鏈構成的跟蹤，則可以適應工程的成本變化，繼而完成對工程造價成本的預測。就目前來看，已經有工程實例對神經網絡在造價預測方面的應用進行了驗證，而其取得的應用效果顯然要好于傳統方法。在應用神經網絡進行工程估價時，可以利用網絡的“特征提取器”完成對工程特征的提取。從大量的工程資料中，神經網絡可以找出預算資料與工程特征之間的規律關系，并且完成對其它因素造成的資料偏差的糾偏，以便確保預測結果的有效性。此外，由于神經網絡采用的是并行方式進行數據的處理，所以其能夠盡快完成工程造價預測，繼而滿足建筑工作的造價分析需求。而利用神經網絡完成工程造價預測，則可以幫助建筑承包商更好的完成項目資金的管理，繼而避免出現資金短缺等問題。
2.2在風險預警方面的應用
在建筑管理活動中，將存在財務風險、金融風險和市場風險等多種風險，繼而使建筑經濟管理具有一定的風險性。而利用神經網絡可以完成對風險的預警，繼而使建筑經濟管理的風險性得到降低。在利用神經網絡進行工程經營風險和收益的評估時，神經網絡系統可以算作是一種投資決策工具。具體來講，就是需要對神經網絡的非線性映射和模式分析能力進行利用，以便建立動態的風險預警系統。在此基礎上，則需要將風險來源因素當做是系統的輸入單元，繼而得出相應的風險等級，并得出風險可能出現的區間。而輸入的風險來源因素有多種，如項目復雜程度和不可預見因素等等。就現階段來看，一個風險預警系統需要由多個神經網絡構成，比如建筑項目投資風險預警系統就由多個ART網絡、BP網絡和一個MAXNET網絡構成。
2.3在工程投標方面的應用
在激烈的市場競爭環境中，建筑企業需要提前分析出影響工程項目投標決策的因素，以便在競爭中取得勝利。而涉及的因素包含了市場條件、競爭對手情況和工程情況等多個領域的內容，并且因素本身多為模糊變量，所以很難確定因素對投標報價的影響。但是，利用神經網絡則可以根據以往相似工程信息分析出因素與投標報價之間的關系，繼而完成對工程報價的推理。而承包商根據這一推理結果，則可以確定需要采取的投標策略。同時，結合工程造價預測結果，承包商則可以完成對投標價格的確定，繼而獲得更大的競爭優勢。就目前來看，神經網絡在工程投標管理方面已經取得了一定程度的應用，有關的工程投標報價決策支持系統和招投標報價專家系統已經得到了提出[4]。通過將管理費率、競爭對手情況和市場條件等因素輸入到系統的輸入層，則可以得出工程投標報價的報價率。
2.4在其他方面的應用
除了以上幾個方面，神經網絡在建筑經濟管理的其他很多方面都可以得到應用。首先，在建筑企業管理者制定經營決策時，神經網絡可以為管理者提供決策支持。就目前來看，雖然可以利用統計學模型幫助管理者制定決策，但是這些方法無法處理數據不完整的復雜非線性問題。而神經網絡可以從不可預見的數據中總結規律，繼而為管理者解決復雜問題提供決策支持。其次，想要降低建筑工程成本，還要使工程資源得到優化配置。但就目前來看，沒有數學模型可以完成對設計變更和設備條件等各種要素的影響效果的分析，繼而難以幫助管理者合理配置建設資源。而神經網絡可以完成對資源的預測，并確定資源的優先級，繼而可以幫助管理者優化資源配置。此外，利用神經網絡可以完成對已有數據和信息的全面分析，繼而幫助管理者選擇建筑材料、設備和施工方法。
3結論
對神經網絡的理解范文2
本文主要介紹的模型和算法都是數據挖掘中最常見的和應用最廣泛的，在計算機科學、統計數學、和人工智能領域的科學家們已經在研究和改進這些算法方面作了大量的工作。
【關鍵詞】
數據挖掘；算法；神經網絡
1 神經網絡的應用
神經網絡近來越來越受到人們的關注，因為它為解決大復雜度問題提供了一種相對來說比較有效的簡單方法。神經網絡可以很容易的解決具有上百個參數的問題。神經網絡常用于兩類問題；分類和回歸。
在結構上，可以把一個神經網絡劃分為輸入層、輸出層和隱含層（見圖1）。輸入層的每個節點對應一個個的預測變量。輸出層的節點對應目標變量，可有多個。在輸入層和輸出層之間是隱含層，隱含層的層數和每層節點的個數決定了神經網絡的復雜度。
圖1 一個神經元網絡
除了輸入層的節點，神經網絡的每個節點都與很多它前面的節點（稱為此節點的輸入節點）連接在一起，每個連接對應一個權重Wxy，此節點的值就是通過它所有輸入節點的值與對應連接權重乘積的和作為一個函數的輸入而得到，我們把這個函數稱為活動函數或擠壓函數。如圖2中節點4輸出到節點6的值可通過如下計算得到：
W14*節點1的值+W24*節點2的值
神經網絡的每個節點都可表示成預測變量（節點1，2）的值或值的組合（節點3-6）。注意節點6的值已經不再是節點1，2的線性組合，因為數據在隱含層中傳遞時使用了活動函數。實際上如果沒有活動函數的話，神經元網絡就等價于一個線性回歸函數，如果此活動函數是某種特定的非線性函數，那神經網絡又等價于邏輯回歸。
調整節點間連接的權重就是在建立（也稱訓練）神經網絡時要做的工作。最早的也是最基本的權重調整方法是錯誤回饋法，現在較新的有變化坡度法、類牛頓法、Levenberg-Marquardt法、和遺傳算法等。
圖2 帶權重Wxy的神經元網絡
決定神經網絡拓撲結構（或體系結構）的是隱含層及其所含節點的個數，以及節點之間的連接方式。要從頭開始設計一個神經網絡，必須要決定隱含層和節點的數目，活動函數的形式，以及對權重做那些限制等。
2 傳播式神經網絡
在諸多類型的神經網絡中，最常用的是前向傳播式神經網絡，也就是我們前面圖示中所描繪的那種。我們下面詳細討論一下，為討論方便假定只含有一層隱含節點。
可以認為錯誤回饋式訓練法是變化坡度法的簡化，其過程如下：
前向傳播：數據從輸入到輸出的過程是一個從前向后的傳播過程，后一節點的值通過它前面相連的節點傳過來，然后把值按照各個連接權重的大小加權輸入活動函數再得到新的值，進一步傳播到下一個節點。
回饋：當節點的輸出值與我們預期的值不同，也就是發生錯誤時，神經網絡就要“學習”（從錯誤中學習）。我們可以把節點間連接的權重看成后一節點對前一節點的“信任”程度。學習的方法是采用懲罰的方法，過程如下：如果一節點輸出發生錯誤，那么他看他的錯
誤是受哪個（些）輸入節點的影響而造成的，是不是他最信任的節點（權重最高的節點）陷害了他（使他出錯），如果是則要降低對他的信任值（降低權重），懲罰他們，同時升高那些做出正確建議節點的信任值。對那些收到懲罰的節點來說，他也需要用同樣的方法來進一步懲罰它前面的節點。就這樣把懲罰一步步向前傳播直到輸入節點為止。
對訓練集中的每一條記錄都要重復這個步驟，用前向傳播得到輸出值，如果發生錯誤，則用回饋法進行學習。當把訓練集中的每一條記錄都運行過一遍之后，我們稱完成一個訓練周期。要完成神經網絡的訓練可能需要很多個訓練周期，經常是幾百個。訓練完成之后得到的神經網絡就是在通過訓練集發現的模型，描述了訓練集中響應變量受預測變量影響的變化規律。
由于神經網絡隱含層中的可變參數太多，如果訓練時間足夠長的話，神經網絡很可能把訓練集的所有細節信息都“記”下來，而不是建立一個忽略細節只具有規律性的模型，我們稱這種情況為訓練過度。顯然這種“模型”對訓練集會有很高的準確率，而一旦離開訓練集應用到其他數據，很可能準確度急劇下降。為了防止這種訓練過度的情況，我們必須知道在什么時候要停止訓練。
圖3中的曲線可以幫我們理解為什么利用測試集能防止訓練過度的出現。在圖中可以看到訓練集和測試集的錯誤率在一開始都隨著訓練周期的增加不斷降低，而測試集的錯誤率在達到一個谷底后反而上升，我們認為這個開始上升的時刻就是應該停止訓練的時刻。
圖3 神經網絡在訓練周期
增加時準確度的變化情況
3 神經網絡的優點
神經元網絡和統計方法在本質上有很多區別。神經網絡的參數可以比統計方法多很多。如圖1中就有13個參數（9個權重和4個限制條件）。由于參數如此之多，參數通過各種各樣的組合方式來影響輸出結果，以至于很難對一個神經網絡表示的模型做出直觀的解釋。實際上神經網絡也正是當做“黑盒”來用的，不用去管“黑盒”里面是什么，只管用就行了。在大部分情況下，這種限制條件是可以接受的。比如銀行可能需要一個筆記識別軟件，但他沒必要知道為什么這些線條組合在一起就是一個人的簽名，而另外一個相似的則不是。在很多復雜度很高的問題如化學試驗、機器人、金融市場的模擬、和語言圖像的識別等領域神經網絡都取得了很好的效果。
4 在使用神經網絡時有幾點需要注意
第一，神經網絡很難解釋，目前還沒有能對神經網絡做出顯而易見的解釋的方法學。
第二，神經網絡會學習過度，在訓練神經網絡時一定要恰當的使用一些能嚴格衡量神經網絡的方法，如前面提到的測試集方法和交叉驗證法等。這主要是由于神經網絡太靈活、可變參數太多，如果給足夠的時間，他幾乎可以記住任何事情。
第三，除非問題非常簡單，訓練一個神經網絡可能需要相當可觀的時間才能完成。當然，一旦神經網絡建立好了，在用它做預測時運行還是很快的。
第四，建立神經網絡需要做的數據準備工作量很大。一個很有誤導性的就是不管用什么數據神經網絡都能很好的工作并做出準確的預測。這是不確切的，要想得到準確度高的模型必須認真的進行數據清洗、整理、轉換、選擇等工作，對任何數據挖掘技術都是這樣，神經網絡尤其注重這一點。
【參考文獻】
熊熊，汪德馨，宋軼民.利用模糊神經網絡進行模糊數據挖掘的一種算法[J].系統工程學報，2000，3（1）：32-37.
對神經網絡的理解范文3
關鍵詞 人工；神經網絡；機器學習方法
中圖分類號Q1 文獻標識碼A 文章編號 1674-6708（2011）40-0111-02
0 引言
機器學習方法經常被應用到解決醫學和生物信息學的問題。在這個報告中我列舉了一些把機器學習方法應用到生物信息學領域的實例。比如：組建多重神經網絡，運用該神經網絡對4種不同形勢的腫瘤患者進行分類。
1 介紹
人工神經網絡屬于機器學習領域。關于人工神經網絡的概念最早提出于1940年代。后來在1980年代后被推廣應用，尤其是在醫學領域。
其中一個非常有用的用途是對疾病進行分類，達到診斷的目的，或者對基因表達進行分類。在這類神經網絡里面，k點最近鄰居算法是最常被采用的算法。
人工神經網絡的優點是：不需要人們蛆關注神經網絡里面的細節信息；人工神經網絡可以很容易地被重新訓練來應對不同地分類數據。人工神經網絡可以用來解決有監督學習和無監督學習，比如：自組織特征映射（self-organized feature map）就可以用來解決無監督學習的問題。
它的不足之處在于：人工神經網絡往往需要大量的訓練數據，而這些訓練數據往往不是很容易獲得。人工神經網絡可以被看作是一個黑盒，它的細節隱藏在點點之間的權值里面。這些權值的意義是人類無法理解的。同時，人工神經網絡需要被仔細的訓練以避免過擬合的情況出現。我們常常需也要降低高維數據的維度。下面，我將分析介紹人工神經網絡的具體應用。
人工神經網絡的結構如圖1所示：
X1 ,X2 ,X3是該神經網絡的輸入值，w0 ,w1 ,w2 ,w3 是該神經網絡的輸入結點到內部節點的路徑權值，每個神經元的激活函數是如上圖右側所示的函數圖像。
這個函數被稱作為sigmoid函數，表達式如下：
多重神經網絡通常有3層，事實上，3層神經網絡以能進行很好的分類效果。這三個層包括輸入層，隱藏層，輸出層。在每個神經元內部我們可以選擇sigmoid激活函數或其他種類的激活函數。
如圖2所示：
單個神經元僅能提供線性的分割面，所以多層神經網絡可以提供非線性的分類函數（即：若干個線性分割面的復雜組合）。這并不意味著4層神經網絡就一定比3層神經網絡能一共更好的分類效果，因為層數越多，需要的訓練集就越龐大，得到的效果也不會提高。
既然有訓練問題，就會涉及到訓練算法。較為早的和著名的訓練算法是delta 規則。它于20世紀60年代被提出。它的原理是計算理論輸出值和世紀輸出值的均方差。tp 為理論輸出值，yp為實際輸出值，表示為：
訓練的開始階段，我們通常設定一個隨機選取值，令該值等于：
該公式里，α是學習速率，學習速率越大，學習的過程就越快，完成學習的時間短。但如果學習的速率過大，可能導致網絡的理想權值在合理結果的附近游擺而永遠無法獲得理想的權值。
神經網絡被訓練好了以后，它就被用到解決目標問題。原始的數據集可以被分為兩部分：一部分用來訓練，一部分用來測試。
有時候神經網絡會把訓練數據集里面的噪音點的特征納入自己的權值表達里，從而該神經網絡無法真正體現該點集的真實特征。我們把這種情況叫做過擬合。過擬合是由于網絡比待估函數復雜造成的。比如一個可以同3層網絡解決的問題，我們用4層網絡或者由更多神經元的三層網絡去解決該問題，就容易造成過擬合。為了更好的明確訓練時所采用的神經網絡的隱藏層的層數，Livingstone 和 Manalack 提出了如下計算公式：
D = m*o/w
該公式里m是訓練樣本的數目，o是該網絡的輸出值，w是網絡權值的數目，D就是隱藏層的數目。
得到了隱藏層的數目之后，我們可以以這個數目創建神經網絡，邊訓練邊削減，直到我們獲得一個一半化的網絡。對于沒有隱藏網絡層或只有一個隱藏網絡層的神經網絡，我們需要先確定它要解決的問題是否是線性的。
適當的訓練方案是能也可以使網絡的復雜性和數據的復雜性得到合適的匹配。一個合適的訓練方案應該是如下步驟：首先選擇一個很大的網絡并且把它的每個權值都設到一個很小的值上。通過訓練，這些權值可以逐漸游擺到一個合理的值。
由于初始數據集通常要被分為訓練集和測試集。在醫學領域，我們能獲得的數據集往往很小，比如某種病的病人數目不會很大。所以我門需要采用交叉驗證的技巧來是較小的數據集在被分為訓練集和測試集之后能較好的訓練神經網絡。
對神經網絡的理解范文4
【關鍵詞】傳感器；智能化；神經網絡；自補償
【基金項目】論文受到成都信息工程大學校級項目KYTZ201521，Y2013062，Y2015015以及“傳感器與檢測技術”精品課程建設項目的資助。
一、引言
現代傳感器技術是在傳統傳感器技術的基礎上發展而來，廣泛結合了信息處理技術、通信技術及微電子技術等[1]，將傳感器提升至 “系統”級別。
開設現代傳感器技術課程，需要在具備經典傳感器知識的基礎之上，進一步掌握智能傳感器的相關知識，了解集成電路工藝、統計學習理論和現代信號處理技術等[2]。該課程的內容涉及智能傳感器系統的硬件構成，智能化功能的軟件實現方法，以及多元回歸分析法、神經網絡技術和支持向量機技術等數據挖掘方法。學生可以通過自主設計型實驗加深對智能傳感器的理解。而智能傳感器的軟件實現和數據挖掘方法的仿真都具備充分的靈活性，學生可以結合PC機在課堂上和課后進行實驗研究[3]。
二、自主設計實驗
現代傳感器技術的課程介紹了新型智能傳感器的概念、構成方式及具有的功能，重點在于智能傳感器的集成化和智能化實現方法。
智能傳感器集成化的實現涉及微電子技術等相關內容，對于非微電子專業的學生來說很難具備此方面的扎實基礎，不易開展自主設計型實驗。并且此部分內容的相關實驗對硬件要求較高，不利于在不同專業和高校的推廣。
智能傳感器智能化的實現方式多樣，有硬件實現，也有軟件實現。軟件實現方法包括神經網絡技術、支持向量機技術、粒子群算法和小波分析等數據挖掘方法中的智能算法。這些智能算法的仿真工具眾多，算法設計靈活且多樣，可以讓學生在完成課程實驗的同時，通過自主設計進一步發掘算法的優化方法，加深對知識的理解。
本論文將舉例說明現代傳感器技術課程在智能傳感器智能化實現方面的自主設計實驗的開設方法。
例如，開設題為“基于神經網絡方法的傳感器溫度自補償模塊設計”實驗。對于會受溫度影響的傳感器，要降低工作環境溫度的影響，就需要設計自補償模塊，補償的方法有多種，這里選用神經網絡方法。首先，學生需要選定實驗對象，即傳感器，比如某款壓阻式壓力傳感器，然后獲取不同溫度狀態下傳感器靜態標定數據，根據標定數據制作樣本，輸入到神經網絡。學生可以根據需要選擇不同的神經網絡，比如BP神經網絡和RBF神經網絡等[4]。實驗編程時可于利用現有的工具箱進行輔助編程，也可以完全自行編程。
以上實驗只考慮了溫度這一個干擾量的影響。通常影響傳感器的不止一個干擾量，還可能存在兩個或多個干擾量的影響。神經網絡方法可以用來降低兩個或者是多個干擾量的影響。此外，學生還可以用支持向量機技術來設計智能化軟件模塊，用于降低多個干擾量的影響。例如，可開設題為“基于支持向量機方法的降低多個干擾量影響的傳感器智能模塊設計”。該實驗的過程是先選定存在交叉敏感的傳感器作為實驗對象，進行多維標定實驗獲取樣本數據，再利用支持向量機方法建立數據融合模型，從而消除或是降低多個干擾量的影響。支持向量機的功能包括分類和回歸等，因此學生還可以結合其分類的功能設計其他傳感器智能模塊。
學生在進行智能算法的課程實驗時，可以選擇自帶工具箱中豐富的仿真工具，也可以自行編程實現算法。本論文采用Matlab軟件為仿真工具實現算法。
三、實驗示例
（一）基于神經網絡方法的傳感器溫度自補償模塊設計
本實驗選定壓阻式壓力傳感器作為實驗對象，目標如下。
1.基于神經網絡技術設計溫度補償模塊，消除工作環境溫度對傳感器的影響。
2.實驗過程需對多個樣本進行實驗，提高補償模塊的適應性，即在滿足壓力量程的情況下對不同的工作溫度進行補償。
3.溫度補償模塊的設計可以使用多種神經網絡方法，并進行對比，得到消除溫度影響最好的方法。
實驗步驟如下。
1.二維標定實驗
用標定實驗來獲取原始實驗數據。由于實驗條件和實驗時間的限制，有些學生無法進行此步驟。學生也可以通過教材或者相關論文來獲取原始數據，但是必須在實驗報告中注明數據的來源。
2.數據預處理與樣本制作
用上一步中獲取的原始數據來制作樣本。通常先將原始數據進行歸一化處理，用歸一化之后的數據制作樣本。神經網絡的樣本包括訓練樣本和測試樣本。
3.訓練神經網絡
將訓練樣本輸入到編好的神經網絡算法，可以是BP神經網絡和RBF神經網絡等，得到訓練后的模型。
4.測試神經網絡
用測試樣本檢驗訓練好的神經網絡模型。如果得到的效果不好，可以適當地調整神經網絡的參數，改善補償效果。
5.更換訓練樣本和測試樣本后重復第三和第四個步驟
不同樣本得到的結果往往差異較大，實驗中需要更換訓練樣本和測試樣本后進行多次重褪笛椋用以提高神經網絡模型的適應性。
6.換一種神經網絡方法重復第五個步驟
同一樣本采用不同的神經網絡方法可能得到不同的補償結果，實驗中可以嘗試對比不同的神經網絡方法，或者通過優化神經網絡的方法改善補償效果。
（二）基于支持向量機方法的降低多個干擾量影響的傳感器智能模塊設計
本實驗的目標如下。
1.利用支持向量機的處理分類和回歸問題的功能，對傳感器交叉敏感的數據進行分析，用以抑制交叉敏感現象。
2.嘗試修改支持向量機的程序，例如更換核函數或改變分類策略，得到不同的測試結果。
3.制備多組樣本數據，對不同的樣本數據進行測試，用以檢驗算法的適應性。
實驗步驟如下。
1.樣本數據制作
根據確定的實驗對象，采集或制備樣本數據。制作好的樣本數據將分為訓練樣本和測試樣本兩部分。訓練樣本與測試樣本的格式保持一致。
2.算法設計
利用支持向量回歸（Support Vector Regression，SVR）或支持向量分類（Support Vector Classification，SVC）算法，處理樣本數據。利用多種策略測試算法優劣。
例如在支持向量分類算法中，有兩種處理多分類問題的策略， 一種是“一對一（one agaist one， 1A1）”， 另一種是“一對多（one agaist all， 1AA）”。實驗中可測試不同策略的算法。支持向量機可選取多種核函數，包括線性核函數、多項式核函數和徑向基（Radial Basis Function，RBF）核函數等。目前尚缺乏一種選取核函數的標準方法。實驗中可以通過更換核函數來測試它們的不同效果，用以選取最優的方案。
可以采用不同的支持向量機工具箱，例如SVM and Kernel Methods Matlab Toolbox工具箱，或者自行編程。
在算法設計的過程中，通過對訓練樣本進行訓練和對測試樣本進行測試，得到每一次的結果。同一算法必須經過多個訓練樣本和測試樣本的檢驗。更換算法策略后，再重復以上步驟。
3.效果評價
用抑制交叉敏感的結果對比最初的傳感器數據，對算法效果進行綜合評價。
（三）實驗方案
結合以上實例，可以設計出自主實驗的方案，具體如下：自行查閱資料進行神經網絡分析法和支持向量機法的設計，兩種算法選擇其一即可。
實驗步驟如下：（1）安裝matlab軟件；（2）熟悉matlab軟件的使用方法；（3）查閱資料進行項目設計；（4）選取神經網絡分析法和支持向量機法之一進行項目設計；（5）根據設計要求編寫算法，并仿真；（6）對算法效果進行綜合評價。
需要注意的是，利用神經網絡分析法和支持向量機法在智能傳感器系統的智能化功能實現方法上進行項目設計的時候，數據來源要有出處，應用范圍要明確。
四、結論
現代傳感器技術課程通過開設自主設計型實驗可以提高學生的學習興趣，加深學生對知識的理解。該課程涉及的神經網絡技術、支持向量機技術、主成分分析和小波分析等方法可以較為靈活地開設自主設計實驗，加強學生的動手能力。本論文以“基于神經網絡方法的傳感器溫度自補償模塊設計”實驗為例說明了自主設計實驗的方案。實驗采用Matlab軟件設計，方案可行。
【參考文獻】
[1] 張鵬，吳東艷，張凌志.項目教學法與傳感器課程改革探索[J]. 中國電力教育，2014（05）：78-79.
[2] 王興君，毛敏.智能傳感器課程建O及教學研究[J]. 電子測試，2016（07）：172-173.
對神經網絡的理解范文5
關鍵詞:模糊神經網絡;股票預測
一、引言
中國股市經過十余年的發展,應該說已經取得十分巨大的成就,但是與國外成熟股市相比仍然是一個新興市場。事實上,探索和研究股票價格波動的復雜性和規律性,是許多經濟工作者,尤其是證券研究者一直追求的目標。
股票交易數據預測是一種時間序列預測方法。時間序列預測法是依據預測對象過去的統計數據,找到其隨時間變化的規律,建立時序模型,以判斷未來數值的預測方法。其基本思想是:過去的變化規律會持續到未來,即未來是過去的延伸。一般一維時間序列預測方法有移動平均與分解方法、指數平滑方法、狀態空間模型等。這些預測方法經過長期的發展,在定量預測模型和定性預測模型等方面都有長足的進步。但是,當系統具有較強的非線性時,這些方法的適應性卻是有限的,在實際的預測環境中常常失去效用,因此用這些傳統的預測方法解決這類問題十分困難。
二、神經網絡和模糊邏輯結合的可能性
神經網絡的興趣在于人腦的微觀結構。并通過有自學習、自組識、自適應功能的神經網絡上的非線性并行分散動力學,對無法語言化的模式信息進行處理。模糊邏輯根據人為定義的隸屬函數和一系列并串行的規則,用邏輯推理去處理各種模糊性的信息,是通過模仿人的思維方式來表示和分析不確定、不精確信息的方法和工具。盡管“模糊”這個詞在這里容易使人產生誤解,實際上在模糊邏輯控制中的每一個特定的輸入都對應著一個實際的輸出。所以模糊邏輯本身并不模糊,模糊邏輯并不是“模糊的”邏輯,而是用來對“模糊”進行處理以達到消除模糊的邏輯,它是一種精確解決不精確、不完全信息的方法,其最大特點就是用它可以比較自然地處理人的概念,是一種更人性化的方法。在處理數據時,模糊邏輯更能容忍噪音干擾和元器件的變化,使系統適應性更好模。糊邏輯還對使產品開發周期縮短而編程更容易。通過模糊化樣本,提高了樣本集中各樣本的質量,進而改進能量函數。用神經網絡去預測股票,在對信息的推理上還存在相當大的困難;而在信息的獲取方面,模糊技術也顯得十分軟弱。
因此本文根據模糊邏輯和神經網絡的各自長處把它們結合起來,利用這種方法對股票預測進行研究。模糊系統提供了一種推論式語句用來逼近人的推理能力和并且應用到基于知識的系統中。模糊邏輯理論是用一種數學工具來獲取人們認知過程。然而,模糊邏輯中有個共同的瓶頸是它們都依賴于由領域專家給出的規則,而且,不存在正式的框架來選擇模糊系統的各種參數,因此,調整參數的方法是模糊系統的一個重要研究課題。另一方面,神經網絡所具有一些重要的有點,比如學習能力、自適應能力、容錯能力等,所以神經網絡能夠處理復雜的、非線性的以及不確定性問題。正是因為如此,可以相信它們具有構建與人們人之有關的各種行為的潛能。但是神經網絡的主要問題是它沒有明確的物理意義,使用者不知道這些網絡是如何運轉的。這就是為何神經網絡總是被稱為“黑箱”的原因。對以一個訓練好的神經網絡,其連接權值不能清楚地說明網絡是如何處理數據的,其含義是什么。特別是,現在的神經網絡理論還沒有提供一種方法來預測訓練好了的網絡的輸出。因此,在實際應用中造成了一些不確定性。
把模糊系統和神經網絡的結合成為模糊神經網絡,該網絡致力于獲得兩種系統的優點而克服各自的缺點。正如前文提到的,神經網絡的優點在于,第一個是能夠生成不需要明確表現知識的規則;第二個是其強大的自學能力。模糊系統的優點在于,第一個是能用模糊性的語言表達知識;第二個是能用簡單的預算來實現知識的模糊推理。兩者的結合可以解決模糊系統中的只是抽取問題以及專家知識也能很容易融合到神經網絡中,避免了初值選擇的任意性。
三、模糊神經網絡的模型設計
1、模型的結構
模糊神經網絡與一般的神經網絡相類似,通常分為前向型模糊神經網絡和反饋型模糊神經網絡兩類。本文采用的就是前向型模糊神經網絡。該網絡是可以實現模糊映射關系的模糊神經網絡。一個前向型模糊神經網絡可分為五層組成,分別為輸入層、模糊化層、模糊推理層、去模糊化層和輸出層。圖1-1為含有兩個輸入層節點、一個輸出節點的一個基本前向模糊神經網絡結構。
輸入層指的是接受外部輸入信號的一層,并將輸入值傳送給模糊化層的模糊單元;模糊化層的作用是按模糊規則將輸入值轉換為一定的模糊度,是對模糊信息進行預處理的網層。模糊推理層是前向型模糊神經網絡的核心,其網絡參數是由具體問題所確定的;去模糊化層接受經中間層處理的數據,并按照模糊度函數將數據進行非模糊化處理;最后輸出層給出確定性求解結果。
本文采用的是TS模糊神經網絡。該神經網絡分為輸入層、模糊化層、模糊規則計算層和輸出層(包括去模糊化)。輸入層與輸入向量xi連接,節點數與輸入向量的維數相同。模糊化層采用隸屬度函數(公式1-1)對輸入值進行模糊化得到模糊隸屬度值μ。模糊規則計算層采用模糊連乘(公式1-2)計算得到φ。輸出層采用(公式1-3)計算模糊神經網絡的輸出。下面給出各公式:
1-1
式中,分別為隸屬度函數的中心和寬度;k為輸入參數;n為模糊子集數。
1-2
1-3
式中為模糊系統參數。
2、模糊神經網絡的學習算法
(1)誤差計算
式中,yd為網絡期望輸出;yc是網絡實際輸出,e為期望輸出和實際輸出的誤差。
(2)系數修正
式中,為神經網絡系數;α為網絡學習率;xj為網絡輸入參數;φi為輸入參數隸屬度連乘積。
(3)參數修正
式中,、分別為隸屬度函數的中心和寬度。
3、預測模型的結構設計和參數的設定
網絡結構的選擇需要考慮以下因素:軟硬件實現的難易程度、訓練速度和網絡的推廣能力等,其中網絡的推廣能力是最主要的,網絡結構設計至今還沒有確定的方法可循。14世紀的法國修道士 提出過一個最簡單原則:“與己知事實滿意符合(一致)的理論中最簡單者就是最好的理論”,后人稱此原則為“奧克姆剃刀”。由此產生了一個公認的指導原則:“在沒有其他經驗知識時,能與給定樣本滿意符合(一致)的最簡單(規模最小的網絡就是最好的選擇”。這相當于在樣本點的誤差在允許范圍條件下用參數最少的模型去逼近一個未知的非線性映射。
從總體上來說,網絡結構設計并沒有固定可循的步驟,有許多參數要靠經驗選擇,并通過試驗加以比較。規模小的網絡的泛化能力強,同時也易于理解和抽取規則、知識,便于軟硬件實現。通常情況下,由于訓練樣本有限,所以把泛化能力作為主要要求,強調選擇能達到要求的最小網絡。理論證明,一個三層網絡可以任意逼近一個非線性連續函數。
基于T-S模糊神經網絡的算法流程如圖1-2所示。其中模糊神經網絡構建根據訓練樣本維數確定模糊神經網絡的輸入和輸出的節點以及模糊隸屬度函數個數。由于輸入數據為開盤價,最高價,最低價,收盤價這四組數據,所以為n=4維的,輸出的是次日的開盤價格即輸出數據為1維的。在模糊化層中,該層有nm個節點,利用K-means法對樣本進行聚類分析得到模糊規則數以確定m。在聚類分析得出m=2所以得到節點數為8,該模糊神經網絡的結構為4-8-1。在根據T-S的模型,所以選擇5組系數ρi。
雖然權值隨迭代而更新,一般都是收斂的,但是如果初始值設置的太大的話會影響該網絡,會使網絡飽和的很快。初始的權值對收斂速度也會造成影響。實驗表明,初始權值只要不是過大,對網絡整體的性能的影響并不大,一般可選在(-0.5,0.5),本文取權值為0。由于本文的隸屬度函數利用的是高斯函數,所以高斯函數中的中心和寬度隨機得到。
在學習率和網絡參數的選擇上,若選擇的太小,會使網絡參數修改量過小,收斂的速度緩慢;若選擇的太大,雖然可以加快了學習的速度,但是有可能導致在穩定點附近進行持續的振蕩,難以收斂,目前在理論上還沒有明確的確定學習率的方法,對于具體問題需要進行試驗,通過實驗比較出適合的學習率,本文在通過實驗選取學習率為0.025,網絡參數選取0.001,最大迭代次數選取為100。
四、實證分析
1、預測的效果
選取綠景地產(000502)2010年1月20日連續120個交易日的數據作為訓練和預測樣本。其中使用前100個交易日的指標作為訓練樣本訓練網絡,用后20個數據進行樣本預測。
如圖1-3為訓練網絡的效果圖,該結果是用歸一化后的數據。
表 1-1列出真實值和預測值以及預測的相對誤差((真實值-預測值)/真實值):
2、網絡性能的評價
對神經網絡常用的預測性能的評價指標常用的有RRMS,MPE,mpe,PC。選取綠景地產(000502)2010年1月20日連續120個交易日的數據作為訓練和預測樣本。其中使用前100個交易日的指標作為訓練樣本訓練網絡,用后20個數據進行樣本預測。本系統的各項性能指標如下:
相對均方根誤差:RRMS=0.63%最大誤差:MPE=0.19元 正確趨勢率:PCD=65%
從以上指標看出用該模糊神經網絡進行預測是有效的,預測系統式成功的。
五、總結
股票市場是反映經濟的“晴雨表”,其作用不但被政府重視,而且受投資大眾的普遍關注,股票市場中的收益伴隨著風險,以最小風險獲得最大收益是每個投資者的目標,所以研究股票市場內在規律及其預測具有重大的意義和應用的價值。股票交易數據預測是時間序列預測。在股票市場這個極其復雜的系統中,它所具有的非線性和高噪聲等因素決定了股票預測的過程的復雜與困難,傳統預測方法很難應用于此,難以建立有效的數學模型。
神經網絡是一種很好的時間序列預測方法。神經網絡具有逼近任意復雜連續函數關系的能力,而這些能力正是傳統方法所不具有的。本文把模糊邏輯和神經網絡相結合起來,首先介紹了模糊系統和神經網絡的基本知識以及二者結合的可能性。然后建立模糊神經網絡模型并用于股票價格的預測,運用相關分析在剔除了與預測指標相關性較小的指標,簡化了模糊神經網絡的結構,并在實際的試驗中確定了相關網絡系數的初始值,簡要的介紹了建模的工具,并用設立模糊等級對模糊神經網絡的有效性進行了評價,在通過實證分析證實了網絡系統基本上達到了預想的要求。
參考文獻:
[1]胡守仁,神經網絡應用技術[M],國防科技大學出版社,1993
[2]趙振宇,模糊理論和神經網絡的基礎與應用[M],清華大學出版社,1996
[3]劉增良,模糊邏輯與神經網絡[M],北京航空航天大學出版社,1996
[4]吳華星,基于神經網絡的股票價格預測,中國科學院計算技術研究所,1998
[5]姚培福,人工神經網絡在股票預測中的應用與研究,昆明理工大學碩士學位論文,2007
對神經網絡的理解范文6
一個完整的智能健康監測專家系統簡單來說可以分為三個部分[3],即信號采集、信號處理和損傷診斷。其中損傷診斷是健康監測的核心問題,是對結構進行安全性評估和維護決策的基礎。目前損傷診斷方法有多種,而人工神經網絡(簡稱ANN)診斷技術在知識獲取、并行推理、適應性學習、聯想推理、容錯能力等方面具有較大的優越性。
1. 神經網絡在損傷識別診斷中得應用
神經網絡技術之所以適合于結構損傷診斷,主要有三個原因[4],①訓練過的神經網絡能夠存儲有關過程的知識,根據對象的正常歷史數據訓練網絡,然后將此信息與當前測量數據進行比較,以確定損傷。②神經網絡具有濾出噪聲及在有噪聲情況下得出正確結論的能力。③神經網絡具有分辨損傷原因及損傷類型的能力。
損傷診斷可分為無模型識別法(Free-Model)和有模型識別法(Model-Based)兩大類[5]。
無模型識別是指損傷識別過程中不需要建立結構的數學與力學模型,完全基于結構現場實時檢測數據并考慮專家經驗建立結構狀態知識庫,然后采用人工神經網絡診斷技術進行診斷。因為結構在不同狀態下其本身的某些往往會發生變化,這些變化包含了結構損傷位置和損傷程度的信息,根據結構特性變化分析就可以反演結構是否存在損傷以及損壞位置和損傷程度。這是一個反分析過程,需要建立結構關鍵性能指標變化與結構狀態的非線性關系。人工神經網絡通過對實測數據加專家經驗建立的知識信息進行學習,通過權值記下所學過的樣本知識并掌握輸入、輸出之間復雜的非線性關系。在診斷過程中,根據實測關鍵性能指標的變化與儲存在已建知識庫的各種狀態的損傷識別量進行模式匹配來進行結構的損傷檢測與診斷。建立在實測數據基礎上的專家數據知識庫,其知識信息具有真實性、連續性、準確性,可以不斷更新。
基于模型的損傷診斷技術是在結構健康診斷過程中,通過建立精細的能夠反映結構的真實形態的結構數學與力學模型,分析計算結構在各種狀態下的參數指標,輔助實測數據以及考慮專家經驗建立結構狀態知識信息庫,利用人工神經網絡的模式識別功能進行結構損傷狀態的診斷。所謂精細的模型是指理論分析的數據應該和實測數據吻合得較好,兩者偏差要在允許范圍內,這與設計分析所需建立的計算模型相比要求更加嚴格,如果用于損傷識別的模型存在較大的模型誤差,會使計算的參數產生與損傷引起的參數改變相當,甚至更大的偏差,就可能使基于這些參數改變的損傷檢測方法識別結果較差,甚至失效。
通常采用有限元法建立結構力學模型作為損傷診斷的基準參考。進行精細有效的有限元動力分析,一種方法是利用商業化軟件如ANSYS、ABAQUS和ADINA等。但這些程序對于一些結構有特殊要求的分析就無能為力,例如混凝土壩考慮動水壓力影響下的動力分析。這就需要利用自編程序來進行分析,但是工作量較大。但已有的有限元模型修正技術僅適用“小誤差模型”的修正[6],而較大“誤差”的情況則屬于非適定的、非線性的問題。人工神經網絡強大的非線性映射功能就非常適合解決結構模型修正中非線性問題[7]。建立結構有限元力學模型,選擇不同的材料物理參數與邊界條件可以計算不同的結構響應,因此結構響應和結構設計變量之間存在復雜的映射函數關系,這種近似映射函數關系用常規方法來確定比較困難。在前蘇聯數學家Kolmogorov提出的任意連續函數表示定理基礎上,Robert HN提出了Kolmogorov多層神經網絡映射存在定理,從理論上論證了一個任意的連續函數都能與一個三層神經網絡建立映射關系。這為人工神經網絡用于結構模型修正提供了理論基礎[7]。
2. 基于神經網絡損傷診斷的兩級識別策略
采用人工神經網絡方法對結構損傷的發生、定位和損傷類型與程度進行研究,可以采用基于網絡判別指標過濾方法的兩級識別策略[8]。
2.1 自適應神經網絡方法檢測結構損傷
自適應神經網絡方法(Auto-associate Neural Network)利用健康結構在正常情況下的序列測量數據作為訓練人工神經網絡的輸入和輸出數據X,Y,依次構造一個自相關的神經網絡Net=T(XY)。訓練完成后,將輸入數據X再次輸入已訓練的神經網絡Net以便得到一組網絡輸出數據,比較測量數據Y和網絡輸出數據的差值向量,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。判別指標可以采用結構某個動力特性參數加以構造,也可將多個動力特性參數同時考慮加以構造。具體結構中最終如何構造判別指標,需要根據結構特點進行判別指標對結構損傷的敏感度的分析加以確定。
當同一個結構可能發生損傷以后的測量數據被作為輸入數據通過已經訓練的神經網絡Net,由本次輸入數據和輸出數據可以計算得到的新的判別指標,與健康結構的判別指標相比較,就可以預告結構是否發生損傷。如果兩者差值(可以稱為損傷指標)較大,就認為結構已經發生損傷。
2.2 概率神經網絡方法檢測結構損傷的位置和類型
結構損傷指標的判定通常只能檢測損傷的發生,難以確定損傷的位置和損傷的類型。概率神經網絡(Probabilistic Neural Network,簡稱PNN)可以用于判定損傷的位置和類型。
PNN[9-11]是通過具有無參數估計量的已知數據集的概率密度函數來實現貝葉斯決策,將其加在人工神經網絡框架中,接著進行判別未知數據最大可能屬于哪個已知數集,對于具有,,…,,…,的多類指標問題來說,基于p維試驗向量X的貝葉斯決策d(X)為: (1)
式中――分類指標的先驗概率
――與錯誤分類的相關損失,在損傷檢測問題中兩者通常假定相等
――概率密度函數
采用多變量高斯(Gauss)分布函數:
(2)
將該貝葉斯決策映射為一個人工神經網絡構成一個概率神經網絡,該網絡分為四層,即輸入層、模式層、求和層和決策層,如圖1所示。
輸入向量X的每個元素作為輸入層的輸入參數。由權重向量和向量X的點積構成中間層的神經元,而相對于分類號q的決策層神經元輸出為:
(3)
式中 ――高斯核的標準差
傳統PNN對所有高斯核都采用統一的值。影響傳統PNN廣泛應用的最大障礙就是所有的參數具有同一個參數值。對于自適應PNN,每一測量維數具有不同的參數。
假定具有不同損傷部位(即損傷模式)和不同剛度損傷程度(如0%,20%,75%和90%)的有限元分析得到的模態數據作為輸入數據輸入PNN進行訓練,數據可以加入或者不加入環境“污染”分量。損傷位置或類型假定有多種。如果結構損傷標識量選用自振頻率變化率,輸入向量X為P個自振頻率變化率,將帶有某種類型損傷(或混合模式損傷)的實測模態數據輸入訓練好的PNN,則得到決策層(輸出層)各個損傷形態在試驗向量點對應的概率密度函數PDF的估計值,具有最大PDF的損傷模式將給出損傷的位置或者類型。
這種損傷診斷方法最大優勢在于可以降低測量誤差對損傷識別結果的影響。因為損傷識別指標對模態參數變化率敏感,對于具有相同環境“污染”程度的前后兩次數據,其“污染”造成的誤差可以抵消,從而對損傷識別精度的影響較小。從本質上說,如果網絡訓練階段并不需要數學模型分析而直接采用健康結果的實測數據,則神經網絡算法并不需要數學模型,這也是該算法的一個優點。
研究表明[12, 13],在損傷診斷過程中,模型誤差對損傷識別結果的影響要比測量誤差小,而且隨著損傷程度的增加而變化不大。用誤差≯10%的模型來訓練人工神經網絡,是完全可以接受的。神經網絡對損傷的識別結果受測量誤差影響較大,但隨損傷程度的增加而降低。改善測量誤差,降低其對識別結果的影響極其重要。
3. 基于WPNN與數據融合的損傷檢測方法
近年來。不斷發展起來的多傳感器數據融合(或稱信息融合)技術以其強大的時空覆蓋能力和對多源不確定性信息的綜合處理能力,可以有效進行結構系統的監測和診斷。雖然目前基于動力響應的各種智能損傷診斷技術得到研究,但這些技術存在著識別精度不高或適用條件等缺陷。目前迅速發展的數據融合技術具有充分利用各個數據源包含的冗余和互補信息的優點,可以提高系統決策的準確性和魯棒性。姜紹飛等[14]提出的基于小波概率神經網絡(wavelet probabilistic neural network WPNN)和數據融合的結構損傷檢測方法將兩者有機結合,推動了神經網絡技術在土木結構健康檢測中應用的發展。
3.1 數據融合
數據融合是多源信息綜合處理的一項新技術,是將來自某一目標(結構)的多源信息加以智能化合成,得到比單一傳感器更精確、更完全的估計,其有點突出表現在信息的冗余性、容錯性、互補性、實時性和低成本性。神經網絡是由大量單元組成的非線性大規模自適應動力系統,具有學習、容錯、記憶、計算以及智能處理,二者在結構上存在著相似性,可以充分利用神經網絡的結構優勢,考慮傳感器或者信息處理單元之間的互相影響、互相制約的關系,體現了信息融合系統是一個有機的整體,而不是多種信息的羅列和簡單的代數加減關系。根據信息(數據)表征的級次,數據融合可以分為數據級融合、特征級融合和決策級融合。
3.2 小波變化及小波概率神經網絡
設函數,如果滿足,則稱為基本小波或母小波。將母小波函數伸縮和平移,得到的函數稱為小波函數,簡稱小波。
設信號,則其小波變換定義為
基于小波變化的神經網絡稱為小波神經網絡,它是小波分析與神經網絡的融合(結合)二者的結合有兩種途徑:其一,將小波分析作為神經網絡的前置處理手段,為神經網絡提供輸入特征向量,也稱松散型小波神經網絡、其二,將小波分析與神經網絡直接融合,即以小波函數和尺度函數來形成神經元,也稱緊湊型小波神經網絡。小波神經網絡繼承了小波分析與神經網絡的優點,通過訓練自適應地調整小波基的形狀實現小波變換,具有良好的函數逼近能力和模式分類能力。
3.3 基于WPNN與數據融合的損傷檢測方法
為了充分發揮數據融合與WPNN的優點,提出了基于WPNN與數據融合的損傷模型(見圖2),它首先將來自傳感器1的結構響應進行數據預處理、特征提取,采用小波理論,獲得該傳感器的小波能量特征向量;依次類推,獲得其他傳感器的小波能量特征向量;然后將這些小波能量特征向量放入WPNN中,進行神經網絡訓練及融合計算;最后根據最大的概率密度函數值得到融合損傷識別結果及損傷類型。
為了驗證該方法的有效性,姜紹飛運用美國土木工程學會提出的一個4層鋼結構框架模型進行驗證[14]。通過驗證可見,基于WPNN與數據融合的損傷檢測方法的識別效果比用單傳感器進行損傷識別分類的效果好,它對損傷最敏感,受噪聲的干擾影響最小;另一方面也說明,數據融合能夠使不同傳感器的信息相互補充,從而減小了損傷檢測數據(信息)的不確定性,使結構的信息具有更高的精度和可靠性,進而能夠獲得更準確的損傷識別結果及最優的結構狀態估計。
4. 用于損傷診斷的神經網絡輸入參數選擇
采用什么參數作為神經網絡的輸入向量是利用人工神經網絡進行結構損傷診斷中需要考慮的極其關鍵的一個問題。神經網絡輸入參數的選擇及其表達形式直接影響損傷診斷的結果。采用結構動力參數作為結構損傷識別的方法現在得到大量的應用。其原因一方面是結構動力參數是結構本身固有特性,受外界環境干擾較小。另一方面結構自振頻率和振動模態等動力參數比較容易從少量的動態測量中得到,而且測量方法比較簡單?；诮Y構動力特性的損傷診斷方法,其基本思想是結構的物理參數如剛度、質量和阻尼比等在結構不同狀態中的變化會改變結構動力特性――固有頻率和模態。因此可以根據結構的固有頻率、模態振型或者兩者一起考慮等方法進行檢測,另外還可以利用這些模態參數計算模態曲率、應變模態、結構柔度、模態阻尼比等力學指標,然后采用神經網絡算法等對結構的損傷發生、損傷定位、損傷程度進行檢測。對于簡單的構件來說,采用結構固有振動頻率作為網絡輸入參數就可以得到良好的診斷結果[15-17]。固有頻率可以在結構的一個點上測到,并且與測點位置相對獨立,是一個能反映結構整體的動力特性。但對于一般結構,固有頻率包含的結構損傷信息還不足以進行識別與定位,例如對稱結構,兩個對稱位置的損傷所引起的固有頻率變化是完全相同的。因此有人建議采用固有頻率和關鍵點的振型模態作為組合參數進行神經網絡損傷診斷比較實用[18, 19],這可以解決對稱結構和測量模態數據不完備問題。
對于結構損傷診斷來說,固有頻率和振動模態是檢測的全局量,可以用來對結構整體狀態進行描述。但對于復雜結構,像大跨徑橋梁,其贅余度大,造成結構局部損傷對整體性能反映影響不大,也就是說全局參數指標對局部損傷不敏感。例如結構局部損傷導致的固有頻率變化很小,估計
采用全局量可以判斷結構是否損傷,而用于結構損傷定位的物理參數需要選擇局域量,且需滿足四個基本條件[22],①對局部損傷敏感,且為結構損傷的單調函數。②具有明確的位置坐標。③在損傷位置,損傷標識量應出現明顯的峰值變化。④在非損傷位置,損傷標識量或者不發生變化,或者變化幅度小于預定的閾值。
陸秋海[23]比較了六種不同輸入參數對于結構損傷的敏感程度。得到的結論是,六種輸入參數對結構損傷的敏感程度從低到高依次為:位移模態指標、固有振動頻率指標、位移頻響函數指標、曲率、應變模態指標以及應變頻響函數指標。相比較來看,應變模態指標是較好的結構動力損傷診斷的損傷識別標識量,而且有對結構局部損傷敏感的優點,可以用作大型土木結構局部損傷定位的人工神經網絡診斷輸入參數。
5. 用于損傷診斷的神經網絡選擇
人工神經網絡是在人類對其大腦神經網絡認識理解的基礎上人工構造的能實現某種功能的神經網絡。它是理論化的人腦神經網絡的數學模型,是基于模仿大腦神經網絡結構和功能而建立的一種信息處理系統。
人工神經網絡發展幾十年來,形成了數十種網絡,包括多層感知器,BP網絡、Hopfield網絡、RBF網絡、自適應共振理論和概率神經網絡等等。這些網絡由于結構不同,應用范圍業有所不同,但這些神經網絡模型原則上講都可用來進行結構損傷診斷,只是存在簡單與復雜、穩定與不穩定、診斷效果高低與診斷結果好壞的差別。前面介紹的大型結構基于神經網絡的兩級損傷識別策略是采用以自適應共振理論為基礎的自組織神經網絡和概率神經網絡。
建立大型土木結構的智能健康監測專家系統,首先要建立損傷診斷的子系統。采用人工神經網絡進行記誒構損傷診斷,首先要根據各種神經網絡的特點和適用范圍,選擇解決自己問題的合適模型,然后采用某種程序語言進行編制。若采用商業化軟件建立損傷診斷子系統,則不能很好地與信號采集系統及專家知識庫進行有效鏈接,從而妨礙實施在線檢測與連續診斷。Matla現已成為國際上公認的最優秀的數值計算和仿真軟件,其強大的擴展功能為各個領域的應用提供了基礎,由各個領域的專家在Matlab平臺上推出了30多個應用的工具箱。神經網絡工具箱是Matlab環境下所開發的許多工具箱之一,它是以人工神經網絡理論為基礎,用Matlab語言構造出各種神經網絡算法。因此建立人工神經網絡進行損傷診斷時,利用Matlab語言可以減少工作量,提高效率。
參考文獻:
[1] 李宏男,李東升. 土木工程結構安全性評估、健康監測及診斷述評[J]. 地震工程與工程振動. 2002(3): 82.
[2] 謝強,薛松濤. 土木工程結構健康監測的研究狀況與進展[R]. , 2001.
[3] 周智,歐進萍. 土木工程智能健康監測與診斷系統[J]. 傳感器技術. 2001, 20(11): 1-4.
[4] 姜紹飛,周廣師,劉紅兢,劉明. 考慮不確定性因素的結構損傷檢測方法[J]. 沈陽建筑工程學院學報(自然科學版). 2002(2): 85-87.
[5] 陳,羅躍剛等. 結構損傷檢測與智能診斷[M]. 北京: 科學出版社, 2001.
[6] 張德文,魏阜旋. 模型修正與破損診斷[M]. 北京: 科學出版社, 1999.
[7] 段雪平, 朱宏平, 熊世樹. 神經網絡在建筑物有限元模型修正中的應用[J]. 噪聲與振動控制. 2000(2): 11.
[8] 姜紹飛. 基于神經網絡的結構優化與損傷識別[M]. 北京: 科學出版社, 2002.
[9] 王柏生,倪一清,高贊明. 用概率神經網絡進行解雇損傷位置識別[J]. 振動工程學報. 2001, 14(1): 60-64.
[10] 姜紹飛,倪一清,高贊明. 基于概率神經網絡的青馬懸索橋定位的仿真研究[J]. 工程力學. 2001: 965-969.
[11] 杜德潤. 地震作用下大體積混凝土結構損傷識別研究[D]. 南京: 東南大學, 2002.
[12] 王柏生,丁皓江,倪一清,高贊明. 模型參數誤差對用神經網絡進行結構損傷識別的影響[J]. 土木工程學報. 2000(1): 50-55.
[13] Wang Bai-sheng,ni Yi-qing K J. Influence of measurement errors on structural damage identification using artificial neural networks[J]. Journal of Zhenjiang University. 2000, 1(3): 191-299.
[14] 姜紹飛,付春,陳仲堂, 盛巖. 基于WPNN與數據融合的損傷檢測方法[J]. 沈陽建筑大學學報(自然科學版). 2005(2).
[15] 陳建林,郭杏林. 基于神經網絡的簡支梁損傷檢測研究[J]. 煙臺大學學報(自然科學與工程版). 2001(3).
[16] 羅躍綱, 陳, 王占國. 鋼梁損傷的神經網絡診斷分析[J]. 工業建筑. 2002(1).
[17] 羅躍綱, 劉紅兢, 王政奎. 鋼板結構損傷對其動力特性的影響研究[J]. 沈陽工業大學學報. 2002(3).
[18] 郭國會,易偉建. 基于神經網絡的框架結構破損評估[J]. 重慶建筑大學學報. 1999, 21(3): 106-121.
[19] 王柏生,倪一清,高贊明. 框架結構連接損傷識別神經網絡輸入參數的確定[J]. 振動工程學報. 2000, 13(1): 137-142.
[20] 雷俊卿,錢冬生. 長大跨橋實時監測預警系統研究[J]. 公路. 2002(2): 1-4.
[21] 瞿偉廉,陳偉. 多層及高層框架結構地震損傷診斷的神經網絡方法[J]. 地震工程與工程振動. 2002, 22(1): 43-48.
