兩級識別神經網絡技術論文
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了兩級識別神經網絡技術論文范文，希望能給你帶來靈感和參考，敬請閱讀。
基神經于網絡判別指標過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。應用于結構的損傷診斷，可以有效解決結構不適定性、非線性帶來的評估誤差及精度問題。
1.1自適應神經網絡(Auto2associateNeuralNetwork)
自適應神經網絡方法基于無損傷結構在正常服役條件下的實測響應數據（某個動力特性參數、或多個動力特性參數）作為訓練對象（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(X→Y)。訓練完成后，循環迭代輸入數據X進入已訓練的神經網絡Net，獲得輸出數據Yn。通過選取合適的殘差判斷函數，通過對比數據Y和網絡輸出數據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。當結構發生損傷，實測響應數據Xd被作為輸入數據通過已經訓練的神經網絡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來判定損傷。當Di大于既定殘差函數時，即判定結構已經發生損傷。
1.2概率神經網絡(ProbabilisticNeuralNetwork,PNN)
自適應神經網絡方法構建自相關網絡Net，將實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，可通過概率神經網絡PNN判定損傷的位置、類型。PNN是通過具有無參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，構建一個包含損傷類別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———分類指標θj的先驗概率。lj———與錯誤分類d(X)埸θj的相關損失。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=1Σexp-（X-Xai)T（X-Xai)2σ222
（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，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的點積zj構成中間層的神經元，而相對與分類號q的決策層神經元輸出為:fq（X）=nqj=1ΣZqj=nqj=1Σexp[(X•Wqj-1)/σ2]
（3）σ—高斯核標準差。在應用中，構建的損傷位置或類型假定有多種。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，得出決策層(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，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型。
2應用及展望
美國Purdu大學的Venkatsubrmania和Chan第一次運用BP網絡進行了工廠結構的損傷檢測與診斷，其后的研究中，Kudva將神經網絡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；楊英杰等開發了評估鋼筋混凝土梁的神經網絡系統；Worden等運用神經網絡識別了一個20根構件組成的結構的損傷；Pandey用兩級識別策略，基于三層神經網絡對大橋桁架結構進行損傷評估。近年來，結構損傷診斷的研究取得了長足進展。上述基于神經網絡的損傷診斷研究表明了在這個領域的研究成果，同時也揭示了尚未解決的問題。
（1）如何選取合適的網絡形式及網絡參數以及樣本集的組成是神經網絡兩級識別策略應用的關鍵，研究有效的網絡輸入參數是一個新的內容；
（2）人工神經網絡具備高度適應性，學習能力和容錯能力，但其黑箱系統的特性決定了其硬件實施的復雜性，如何提高算法的實現效率亟待研究；
（3）基于基準有限元模型的神經網絡二級識別策略必然伴隨著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。
作者：張楊 單位：江蘇省建筑科學研究院有限公司