基于GA—BP神经网络的Benchmark模型损伤识别,这篇神经网络论文范文为免费优秀学术论文范文,可用于相关写作参考。
神经网络论文参考文献：
摘 要：针对BP神经网络存在收敛速度慢及网络泛化能力差得缺点,影响结构损伤识别的精确度.本文采用遗传算法对网络的权值和阈值进行优化,提高神经网络的收敛速度和泛化能力,从而提高识别精确度,采用Benchmark模型验证该方法的有效性.
关键词：遗传算法；神经网络；Benchmark模型；损伤识别
DOI：10.16640/j.cnki.37-1222/t.2017.09.219
0 引言
BP神经网络是适合模拟损伤识别的有效方法之一[1].但是传统的BP神经网络存在着收敛速度慢,泛化能力差等不足[2],影响识别的精度.为此,本文提出了利用遗传算法[3]优化BP神经网络模拟损伤识别,利用遗传算法对BP神经网络的权值和阈值进行优化[4],提高神经网络的收敛速度和泛化能力,从而获得更好的识别效果.本文以Benchmark模型[5]为研究对象,验证该方法的可行性,如图1所示.
1 Benchmark模型损伤识别
Benchmark是一個四层钢框架结构,横纵各两跨,每跨1.25m,层高0.9m,分为杆,梁,斜撑三类构件.本文设计出7种工况,分别为一种类型杆件损伤,两种类型杆件损伤,三种类型杆件损伤,各类杆件选取5根,拟定为40%的损伤程度.0表示为未损伤,1表示为损伤.
表1 损伤工况
Kaminskin PC[6]等提出结构的损伤位置只与其频率有关,故本文采用频率作为损伤指标,归一化处理后作为神经网络输入参数.利用ANSYS有限元软件获取损伤前后的前6阶频率,共有6个输入节点,输出向量为三类杆件,为3个输出节点,所以网络结构为6-7-3.神经网络训练次数为500,最小误差为1e-20.遗传算法种群数目为30,进化次数为50,交叉概率为0.4,变异概率为0.2.根据表1每组工况随机产生100组数据作为网络的训练样本,共700组数据,其中训练数据为693组,测试数据为7组,经GA-BP神经网络和BP神经网络仿真预测后,得到仿真结果如表2所示.
2 比较结果与分析
（1）由表2分析可得,两种方法都能对结构的损伤做出准确识别,但经遗传算法优化后BP神经网络的识别效果比BP神经网络识别结果更为精确,误差小得多,更接近期望输出.
（2）本文提出了一种基于 GA-BP网络的结构损伤定位方法 ,利用 GA算法优化 BP网络的结构权值,并用于结构损伤定位仿真预测.仿真结果表明：基于 GA-BP网络损伤定位方法是可行的,且与BP网络相比,识别精度更高.无论是对单个损伤还是多个损伤,均能给出正确的结果.
参考文献：
[1]姬昕禹.基于神经网络方法的模拟电路故障诊断应用研究[D].西北工业大学,2007.
[2]朱大奇,史慧.人工神经网络原理及应用[M].北京：科学技术出版社,2006：25-30.
[3]杨海清.遗传算法的改进及其应用研究[D].杭州：浙江工业大学,2004：18-20.
[4]王智平,刘在德等.遗传算法在 BP 网络权值学习中的应用[J].甘肃工业大学学报,2001（27）：20-22.
[5]徐德健.基于加速度响应的Benchmark结构损伤识别研究[D].重庆大学,2015.
[6]Kaminskin PC.The approximate location of damage through the analysis of natural frequencies with artificial neural networks.Journal of Process Mechanical Engineering 1995,209,117-123.
作者简介：吴璠（1992-）,男,安徽滁州人,硕士,研究方向：结构物的损伤识别研究.
结论：关于对写作神经网络论文范文与课题研究的大学硕士、相关本科毕业论文神经网络论文开题报告范文和相关文献综述及职称论文参考文献资料下载有帮助。
Benchmark模型损伤识别
摘 要：基于弯矩应力模态，转换为曲率模态，用ANSYS软件和MATLAB软件进行损伤识别，对一个Benchmark模型进行损伤识别的。关键词：。
就bp神经网络银行选址模型相关
摘要：文章基于调查分析这一方式，结合bp神经网络构建过程中存在的非线性关系映射的特征，针对性分析银行网点选址时存在的影响因素。分析出其影响因素中。
基于小波分析和GA—BP神经网络美元兑人民币汇率预测
[摘 要]运用小波分析的方法去除汇率曲线中的噪声，以此消除对预测精度不利的干扰部分。在把消噪后的序列投入BP神经网络和GA-BP神经网络中进行预。