【技术实现步骤摘要】
本专利技术涉及桥梁索力计算的，具体而言，尤其涉及一种用机器学习预测桥梁索力的方法。
技术介绍
1、现有规范中，以频率法为基础的，通过索力计算公式来识别索力的方法，存在对拉索计算长度取值不确定和对拉索边界条件定义不准确的缺陷。本专利技术摒弃传统的索力计算公式中计算索长难以准确确定的缺点，采用实测数据对神经网络进行训练，并结合其他另一种智能算法进行参数优化，可以高效准确的得到索力预测数据。
技术实现思路
1、根据上述
技术介绍
中提到的技术问题，而提供一种用机器学习预测桥梁索力的方法。
2、本专利技术采用的技术手段如下：
3、一种用机器学习预测桥梁索力的方法，包括以下步骤：
4、步骤1：建立bp神经网络模型，根据频率法测试桥梁拉索索力的方法流程，确定bp神经网络的输入值和输出值，并确定bp神经网络各隐含层和输入、输出层之间的函数；
5、步骤2：通过使用粒子群智能算法，对bp神经网络进行优化，对神经网络的初始权重和偏置值进行优化；
6、步骤3：将现场实测大桥拉索索力数据，分为训练组和测试组，应用训练组数据对模型进行训练，在训练过程中调整模型的超参数，设置bp神经网络的学习率、训练迭代次数、目标和梯度，以及神经元个数和隐含层层数；
7、步骤4：应用现场实测大桥测试组数据，进行测试，其中拉索的特性参数作为神经网络输入值导入输入层。
8、进一步地，对于所述步骤1中，所述bp神经网络，当输入待预测数据后，需要先对待预
9、进一步地，所述归一化处理是指在输入层和隐含层以及隐含层和隐含层之间选用非线性激活函数tanh函数，将数据范围限制在[-1,1]。
10、进一步地，所述步骤2中，对于bp神经网络进行优化包括以下步骤：
11、步骤21：初始化每个粒子的位置和速度；设置每个粒子的个体最佳位置pi和群体最佳位置pg；
12、步骤22：对粒子进行更新优化；
13、步骤23：bp神经网络通过前向传播计算输出，计算误差e；
14、步骤24：判断误差e是否符合；
15、若误差e大于等于目标误差时，通过梯度下降算法更新权重，对隐藏层到输出层的连接权重；若误差e小于设置的目标误差，或到达设定的迭代次数时，执行步骤25；
16、步骤25：进行数据预测，将得到的数据通过反归一化，输出到事先设定的excel表格中。
17、进一步地，所述步骤21中，每个粒子i的位置表示为：
18、xi＝(xi1,xi2,...,xid)；
19、其中，d表示问题的维度；xid表示粒子i在第d个维度上的位置坐标，即粒子位置xi向量中的一个分量；
20、所述每个粒子的速度表示为：
21、vi＝(vi1,vi2,...,vid)。
22、其中，vi1表示粒子i在第d个维度上的位置坐标，即粒子速度向量vi中的一个分量。
23、进一步地，所述步骤22中，粒子更新的过程为：
24、vi(t+1)＝w·c1·rand1·pi(t)-xi(t)+c2·rand2·pg(t)-xi(t)；
25、xi(t+1)＝xi(t)+vi(t+1)；
26、其中，w表示惯性权重，c1和c2均表示加速系数，rand1和rand2均表示随机数；pi(t)表示t时刻粒子个体最佳位置，pg(t)表示t时刻粒子全局最佳位置。
27、进一步地，所述误差e的计算公式为：
28、
29、其中，d_k表示期望输出，y_k表示第k个神经元的输出。
30、进一步地，所述步骤24中，通过梯度下降算法更新权重，对隐藏层到输出层的连接权重为：
31、
32、其中，w_jk表示隐藏层到输出层的连接权重，g_j表示隐藏层第j个神经元的输出，f表示激活函数；
33、对输入层到隐藏层的连接权重为：
34、
35、其中，v_ij表示输入层与隐藏层的连接权重，设置j个输入样本为x_j；
36、则权重更新为：
37、
38、其中，η表示学习率。
39、进一步地，所述设定的迭代次数为2000次。
40、较现有技术相比，本专利技术具有以下优点：
41、本专利技术以人工智能算法为基础，通过处理现场采集的索力振动数据，确定一种适合的算法，并对算法参数进行优化，对振动频率法测试索力的数据进行分析处理，使得索力的计算平均绝对百分比误差不高于5％，并且，获得的最终算法，计算精度高于《公路桥梁荷载试验规程》(jtg/t j21-01-2015)附录b中推荐的公式计算方法。
本文档来自技高网...【技术保护点】
1.一种用机器学习预测桥梁索力的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用机器学习预测桥梁索力的方法，其特征在于，对于所述步骤1中，所述BP神经网络，当输入待预测数据后，需要先对待预测数据进行归一化处理。
3.根据权利要求1所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述归一化处理是指在输入层和隐含层以及隐含层和隐含层之间选用非线性激活函数TanH函数，将数据范围限制在[-1,1]内。
4.根据权利要求1所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述步骤2中，对于BP神经网络进行优化包括以下步骤：
5.根据权利要求4所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述步骤21中，每个粒子i的位置表示为：
6.根据权利要求4所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述步骤22中，粒子更新的过程为：
7.根据权利要求4所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述误差E的计算公式为：
8.根据权利要求4所述的一种用机器学习预测桥梁索力的
9.根据权利要求4所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述设定的迭代次数为2000次。
...【技术特征摘要】
1.一种用机器学习预测桥梁索力的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种用机器学习预测桥梁索力的方法，其特征在于，对于所述步骤1中，所述bp神经网络，当输入待预测数据后，需要先对待预测数据进行归一化处理。
3.根据权利要求1所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述归一化处理是指在输入层和隐含层以及隐含层和隐含层之间选用非线性激活函数tanh函数，将数据范围限制在[-1,1]内。
4.根据权利要求1所述的一种用机器学习预测桥梁索力的方法，其特征在于，所述步骤2中，对于bp神经网络进行优化包括以下步骤：
5.根据...
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。