【技术实现步骤摘要】
专利技术涉及一种应用于结构损伤定位的方法,尤其是一种应用于悬索桥的吊索损伤定 位的方法。
技术介绍
RBF (Radial Basis Function,径向基)网络最早由Broomhead提出,是一种采用非 线性的径向基函数作为隐层传递函数的,基于局部修正策略的多层前向型神经网络。RBF 网络学习效率高,不会陷于局部极小,其网络拓扑结构也可以自动生成,因而在工程应 用中带来了很大的方便。近年来,较多学者开始将其应用于结构的损伤识别研究[2—7]。RBF网络的性能在很大程度上取决于它的学习算法,学习的目的是为了合理确定 RBF网络的三个重要参数RBF函数的中心、响应半径或宽度、权值。Chen提出的基 于正交最小二乘(Orthogonal Least Squares, OLS)的学习算法是目前被普遍采用的学习 算法,该方法依据各输入向量对误差贡献的大小来选择径向基函数的中心,同时利用 Gram-Schmidt法则快速求得权值的最小二乘解。然而,在国内外的结构损伤识别研究中,往往是把RBF网络当作一个黑箱工具来使 用,对于RBF网络的工作机理研究不够深入,尤其是RBF网络的拓扑结构的自动生成掩 盖了由于不合理训练所导致的网络过拟合现象,对于这一问题目前未能引起足够的重视。 过拟合现象会严重影响网络的泛化能力,使得网络的工作性能急剧下降。如Rytter的研 究中发现采用RBF网络的损伤辨识结果错误很多,效果明显不如BP网络[1()],通过对 Rytter所研究的问题进行分析计算,可发现其RBF网络出现了过拟合现象,从而导致辨 识效果较差。在悬索桥等复杂结构的损 ...
【技术保护点】
一种基于改进径向基神经网络的悬索桥吊索损伤定位方法,其特征在于包括如下步骤: 1.)对悬索桥的m根吊索发生的n%~100%不同程度的损伤,分别按损伤程度n%递增分级,得到100/n×m种损伤工况,其中m为自然数,n为小于50并且能被1 00整除的有理数; 2.)将步骤1所述的损伤工况经过悬索桥的有限元模型计算得到各种损伤工况的固有频率;对所述各种损伤工况的固有频率相应于正常工况的频率数据作归一化处理得到损伤工况的各阶归一化固有频率;剔除所述各阶归一化固有频率中对损伤 不敏感的频率,得到吊索的损伤位置与悬索桥各阶归一化固有频率的对应关系; 3.)通过吊索的损伤位置与悬索桥各阶固有频率的对应关系形成训练数据集,并在其中预留一组校验数据,把训练数据集送入改进的RBF网络进行学习; 所述RBF网络采 用R+2准则与Jackknife校验进行改进,具体包括如下步骤: a.)引入R↓[+]↑[2]准则 在RBF网络中将循环控制条件设定为R↓[+]↑[2]不再增大,R↓[+]↑[2]按照下式计算: R↓[+]↑[2]=1-* ...
【技术特征摘要】
1、一种基于改进径向基神经网络的悬索桥吊索损伤定位方法,其特征在于包括如下步骤1.)对悬索桥的m根吊索发生的n%~100%不同程度的损伤,分别按损伤程度n%递增分级,得到 id=icf0001 file=A2009101835270002C1.tif wi=14 he=9 top= 51 left = 52 img-content=drawing img-format=tif orientation=portrait inline=yes/>种损伤工况,其中m为自然数,n为小于50并且能被100整除的有理数;2.)将步骤1所述的损伤工况经过悬索桥的有限元模型计算得到各种损伤工况的固有频率;对所述各种损伤工况的固有频率相应于正常工况的频率数据作归一化处理得到损伤工况的各阶归一化固有频率;剔除所述各阶归一化固有频率中对损伤不敏感的频率,得到吊索的损伤位置与悬索桥各阶归一化固有频率的对应关系;3.)通过吊索的损伤位置与悬索桥各阶固有频率的对应关系形成训练数据集,并在其中预留一组校验数据,把训练数据集送入改进的RBF网络进行学习;所述RBF网络采用R+2准则与Jackknife校验进行改进,具体包括如下步骤a.)引入R+2准则在RBF网络中将循环控制条件设定为R+2不再增大,R+2按照下式计算<maths id=math0001 num=0001 ><math><![CDATA[ <mrow><msubsup> <mi>R</mi> <mo>+</mo> <mn>2</mn></msubsup><mo>=</mo><mn>1</mn><mo>-</mo><mfrac> <mrow><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msup> <mrow><mo>(</mo><msub> <mi>d</mi> <mi>i</mi></msub><mo>-</mo><msub> <mi>y</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>/</mo><mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mi>p</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow> <mrow><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msup> <mrow><mo>(</mo><msub> <mi>d</mi> <mi>i</mi></msub><mo>-</mo><msub> <mover><mi>d</mi><mo>‾</mo> </mover> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>/</mo><mrow> <mo>(</mo> <mi>N</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo></mrow> </mrow></mfrac><mo>,</mo> </mrow>]]></math></maths>其中,yi为RBF网络第i个输出,di为步骤3所述的训练数据集的第i个目标输出,di为di的均值,N为数据样本数,p为径向基单元个数;b.)Jackknife校验用预留校验数据按照Jackknife校验的判定准则进行Jackknife校验,判定准则如下CJ≥CJ0,式中,CJ0为Jackknife校验阈值;CJ为Jackknife校验系数,<maths id=math0002 num=0002 ><math><![CDATA[ <mrow><msub> <mi>C</mi> <mi>J</mi></msub>...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。