两级识别神经网络技术论文

前言：想要写出一篇引人入胜的文章？我们特意为您整理了两级识别神经网络技术论文范文，希望能给你带来灵感和参考，敬请阅读。

1神经网络损伤诊断的两级识别策略

基神经于网络判别指标过滤方法的两级识别策略，具有物理意义清晰，定量、定性的特点。应用于结构的损伤诊断，可以有效解决结构不适定性、非线性带来的评估误差及精度问题。

1.1自适应神经网络(Auto2associateNeuralNetwork)

自适应神经网络方法基于无损伤结构在正常服役条件下的实测响应数据（某个动力特性参数、或多个动力特性参数）作为训练对象（人工神经网络的输入和输出数据X、Y），依次构造一个自相关的神经网络Net=T(X→Y)。训练完成后，循环迭代输入数据X进入已训练的神经网络Net，获得输出数据Yn。通过选取合适的残差判断函数，通过对比数据Y和网络输出数据Yn的差值向量,采用某种距离测度函数加以测量形成健康结构的判别指标Vi。当结构发生损伤，实测响应数据Xd被作为输入数据通过已经训练的神经网络Net，由输入数据Xd和输出数据Yd可以计算得到的新的判别指标Vd，并与Vi相比较计算差值构建损伤指标Di来判定损伤。当Di大于既定残差函数时，即判定结构已经发生损伤。

1.2概率神经网络(ProbabilisticNeuralNetwork,PNN)

自适应神经网络方法构建自相关网络Net，将实测响应信息迭代计算Di，可以定性判定是否存在损伤，在损伤确定的条件下，可通过概率神经网络PNN判定损伤的位置、类型。PNN是通过具有无参估计量的已知数据集的概率密度函数来实现贝叶斯决策，将其加在人工神经网络框架中,接着进行判别未知数据最大可能属于哪个已知数集，构建一个包含损伤类别θ1、θ2….θq…θn集合,基于p维试验向量X的贝叶斯决策d(X)为d（X）∈θq(hqlqfq（X）)>hklkfk（X），k≠q

（1）hj———分类指标θj的先验概率。lj———与错误分类d(X)埸θj的相关损失。fj(X)———采用多变量高斯(Gauss)分布函数的概率密度函数：fq（X）∈1nq(2π)p/2σpnqi=1Σexp-（X-Xai)T（X-Xai)2σ222

（2）将该贝叶斯决策映射为一个人工神经网络构成一个概率神经网络，如图1所示。向量X{X1、X2、X3、X4…Xi}———输入层的输入参数。权重向量Wj和向量X的点积zj构成中间层的神经元，而相对与分类号q的决策层神经元输出为:fq（X）=nqj=1ΣZqj=nqj=1Σexp[(X•Wqj-1)/σ2]

（3）σ—高斯核标准差。在应用中，构建的损伤位置或类型假定有多种。以结构的自振频率变化率为例，输入向量X为P个自振频率变化率，将带有某种类型损伤(或混合模式损伤)的实测模态数据输入训练好的PNN，得出决策层(输出层)各个损伤形态在试验向量点对应的概率密度函数PDF的估计值，其中，最大PDF估计值对应的预设损伤集合中则得出损伤的位置及类型。

2应用及展望

美国Purdu大学的Venkatsubrmania和Chan第一次运用BP网络进行了工厂结构的损伤检测与诊断，其后的研究中，Kudva将神经网络两级识别策略运用于平板结构损伤诊断，提出了大型结构损伤检测的方法；杨英杰等开发了评估钢筋混凝土梁的神经网络系统；Worden等运用神经网络识别了一个20根构件组成的结构的损伤；Pandey用两级识别策略，基于三层神经网络对大桥桁架结构进行损伤评估。近年来，结构损伤诊断的研究取得了长足进展。上述基于神经网络的损伤诊断研究表明了在这个领域的研究成果，同时也揭示了尚未解决的问题。

（1）如何选取合适的网络形式及网络参数以及样本集的组成是神经网络两级识别策略应用的关键，研究有效的网络输入参数是一个新的内容；

（2）人工神经网络具备高度适应性，学习能力和容错能力，但其黑箱系统的特性决定了其硬件实施的复杂性，如何提高算法的实现效率亟待研究；

（3）基于基准有限元模型的神经网络二级识别策略必然伴随着模型误差的不利因素，如何与精密建模理论和方法相结合也亟待研究。

作者：张杨 单位：江苏省建筑科学研究院有限公司