神经网络结构（共12篇）
神经网络结构 篇1
随着我国交通运输事业长足的发展, 越来越多的桥梁结构出现了损伤, 结构损伤不仅会缩短桥梁的使用寿命, 而且还会严重威胁到人民生命和财产安全。因此, 对结构进行损伤识别成为迫在眉睫的一个课题。
损伤识别是一个典型的由果求因的反问题, 损伤会引起结构动力特性及响应的变化。神经网络法利用其特有的学习能力, 可以将反问题的映射关系以网络权值的方式保存下来, 即将这种关系分布式地存储于网络权值中, 而使用者无需关心网络内部具体是如何操作的[1]。本文采用BP神经网络对结构损伤的位置和深度进行了探讨研究。
1输入参数的选取
在结构损伤识别的建模过程中, 神经网络输入参数的选择及其表达形式将直接影响到结构损伤识别的结果。为了使输入参数能有效识别损伤的位置和程度, 它必须满足两个基本的条件, 即它应该是位置坐标的函数和对局部损伤敏感。此外, 作为输入参数, 它还应具有易于提取、受环境干扰影响小等特点。
神经网络损伤识别方法中选择损伤识别指标如振型作为输入向量, 以此为基础构造网络训练用的样本, 将样本用于训练神经网络形成非线性映射网络模型, 运用训练好的网络进行结构损伤的识别, 而并非直接通过比较就可获得损伤信息。
根据多重分步识别理论可知, 在确定损伤位置时, 需要的输入参数仅与损伤位置有关, 而与损伤程度无关。与损伤程度无关的参数有:两阶频率的变化比、频率变化的平方比、正则化的频率变化率。在确定损伤位置后识别损伤程度有关的参数包括频率变化的平方、频率变化率。
2基于BP神经网络的结构损伤识别
人工神经网络 (A.N.N) 是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和职能行为的一种工程系统。BP网络模型在本质上是以网络误差之平方和为目标函数, 按梯度法求其目标函数达到最小值的算法。
如果网络采用Sigmoid型或log-Sigmoid型变换函数时, 函数的值域为 (0, 1) , 而从传感器采集到的特征参数往往不在此范围内, 因此, 需对网络的输入数据进行归一化处理[2]。不失一般性, 设样本数据为xp (p=1, 2, …, n) , 定义xmax=max{xp}, xmin=min{xp}, 按下式进行归一化处理可将样本数据转换为0～1区间的数据:
如果网络采用purelin型或tan-Sigmoid型变换函数时, 则按式 (2) 进行归一化处理:
相应地, 网络的输出数据也应作归一化处理, 这样可以取较小的数作为网络的连接权值, 使网络计算不会发生计算溢出问题。
本文采用改进的BP算法——LM算法对数据进行处理, 其基本思想是:为了减轻非最优点的奇异问题, 使目标函数在接近最优点时, 在极值点附近的特性近似二次性, 以加快寻优收敛过程[3]。
3数值仿真算例及分析
为验证前文所述的结构损伤识别方法的可行性、测验其精确性, 本算例采用一经典的简支梁结构并在其上模拟损伤, 运用模态损伤识别指标和神经网络实现对结构损伤的辨识、定位和程度标定。采用的简支矩形钢梁模型如图1所示。所采用的梁为钢材料矩形截面梁, 特征参数为:长L=600 mm, 宽b=10 mm, 高h=50 mm。材质为45号钢, 弹性模量E=2.1×1011 Pa, 剪切模量G=7.65×1011 Pa 。泊松比μ=0.28, 质量密度ρ=7 800 kg/m3。
3.1 结构分析模型
采用大型有限元分析计算软件ANSYS建立分析模型, 对结构损伤的动力分析采用网格法进行数值模拟。图2为完整模型示意图。经计算, 完好模型前5阶固有频率ωui (i=1, 2, 3, 4, 5) 分别为316.44 Hz, 1 087.40 Hz, 1 651.10 Hz, 2 753.60 Hz, 4 238.00 Hz。
损伤采用近似模拟, 分别在矩形截面梁的下部从左端算起的100 mm, 200 mm, 300 mm的地方, 锯开深度分别为5 mm, 10 mm, 15 mm, 20 mm, 25 mm, 宽为2 mm的缺口。图3为300 mm处有5 mm深度的损伤模型示意图, 其他损伤情况略。因篇幅原因, 本文仅以200 mm处数据进行分析说明。表1为简支梁在200 mm处不同损伤程度时的前5阶模态频率ωdi。
3.2 识别过程及结果分析
3.2.1 损伤辨识
令Δωi=ωui-ωdi (i=1, 2, 3, 4, 5) , 表2给出了梁在200 mm处受损前后模态频率的变化情况。
从表2可以看出:模态频率对损伤的敏感度并非各阶相等, 但频率变化的相对值却是随着损伤深度的增大而增大的。这样, 通过结构模态的改变, 能很清晰地识别到损伤。
3.2.2 损伤定位
选取任意两阶模态频率变化之比作为损伤标识量。为克服单独使用某种损伤标识量的缺陷, 我们将某些模态频率及其相对频率都作为特征参数, 一并输入到神经网络中。具体的特征参数构造为:
训练样本利用式 (1) 经过归一化处理后如表3第一栏所示。采用改进的BP算法——LM算法, 输入层神经元个数为5, 隐含层神经元个数设定为11, 输出层神经元个数为3, 设定显示频率为10, 最大迭代次数为100, 系统学习误差E=0.000 1。网络的理想输出如表3第二栏所示, 最后一栏是神经网络的损伤输出。
识别结果中, 如果输出值大于0.8, 则认为此处已有损伤发生;如果输出值小于0.2, 则认为此处无损伤产生。从表3可以看出, 神经网络对结构损伤的识别是令人满意的, 这说明利用建立的神经网络损伤识别模型对简支矩形钢梁裂纹位置的诊断是可行的。
3.2.3 损伤程度标定
一旦损伤位置确定, 损伤程度就是模态频率的单因素函数, 选取前5阶模态频率作为神经网络的特征参数来识别梁的损伤程度。具体的特征参数构造为:[ωd1, ωd2, ωd3, ωd4, ωd5]。
定义损伤程度为:α=hd/hu×100%, 其中, hd为损伤深度;hu为梁高。
网络在前面训练成功的基础上进行了测试, 所选的损伤样本为:100 mm处损伤深度分别为5 mm, 18 mm, 25 mm;200 mm处损伤深度分别为7 mm, 12 mm, 20 mm;300 mm处损伤深度分别为10 mm, 23 mm, 25 mm, 共计9个样本。表4中第一栏是输入到神经网络中的检测样本的归一化值, 表4中第二栏是有关损伤程度的理想输出和实际输出以及两者的绝对差值。图4直观的给出了神经网络测试输出与理想输出对照的情况。
从梁损伤程度的测试识别中可以看出, 优化后BP网络的识别结果是令人满意的, 绝对误差均未超过5%, 说明诊断和预测结果与实际相吻合, 说明将人工神经网络技术应用于工程结构损伤识别中是可行的。
4结语
本文论述了基于BP神经网络的结构损伤识别的基本原理, 较详尽的对损伤识别的参数选取做了分析, 并对数据处理的方法进行了一定的探讨;以一个经典的简支矩形钢梁为算例, 对基于BP神经网络的结构损伤识别进行了全面的实际操作, 从算例结果可以看出:利用建立的BP神经网络是可以对诸如矩形截面梁进行准确的损伤辨识、损伤定位和损伤程度标定的, 基于LM算法的神经网络结构损伤识别程序是可靠的。
参考文献
[1]程相君.神经网络原理及其应用[M].北京:国防工业出版社, 1995.
[2]张伟, 厉建远.神经网络方法在重庆某大跨度刚构桥线性控制中的应用[J].公路交通科技, 2006 (1) :78-80.
[3]李传习, 刘扬, 张建仁.基于人工神经网络的混凝土大跨度桥梁主梁参数实时估计[J].中国公路学报, 2001 (7) :64-67.
[4]张海龙.桥梁的结构分析.程序设计.施工监控[M].北京:中国建筑工业出版社, 2003.
[5]孟文清, 焦健, 张亚鹏.基于BP神经网络的CFG桩辅助设计的研究[J].山西建筑, 2007, 33 (9) :3-4.
神经网络结构 篇2
是指通信系统的整体设计，它为网络硬件、软件、协议、存取控制和拓扑提供标准，它广泛采用的是国际标准化组织(ISO)在1979年提出的开放系统互连(OSI-OpenSystemInterconnection)的参考模型，
OSI参考模型用物理层、数据链路层、网络层、传送层、对话层、表示层和应用层七个层次描述网络的结构，它的规范对所有的厂商是开放的，具有知道国际网络结构和开放系统走向的作用。它直接影响总线、接口和网络的性能。目前常见的网络体系结构有FDDI、以太网、令牌环网和快速以太网等。从网络互连的角度看，网络体系结构的关键要素是协议和拓扑。
结构社会学和网络分析 篇3
【摘 要】随着社会的发展，社会结构也开始被人们重视，社会发展的同时也伴随着科学技术的突飞猛进。网络作为我们常常用到的信息传递工具，它和社会又会擦出哪些“火花”，二者之间有什么微妙的关系，都是我们的研究课题。本文针对结构社会的内容、特点和网络的定义与社会作用进行了阐述。
【关键词】结构 社会学 网络
一、何为社会结构
社会结构是一个术语，关于它却少有准确的定义。那么社会结构可以如何划分呢？我们所知的有社会的组织、群体、社区和制度这四种。社会结构还包括社会不同领域的划分，比如经济、政治、社会等多种因素。从另一方面讲，它又是对于社会不同阶级结构的称呼。当然中外对于它的界定也不尽相同，只不过欧美对于它的界定更加的抽象。并且社会结构又包含了多种多样的学科，例如人类、社会、心理等学科。人们也需要从它衍生或者影响的学科中，多角度地对它进行研究和讨论。当然社会结构又有不同的分层和主义，我们先从社会阶层方面进行阐述和理解。关于社会阶层，其实它是将人们按照不同的经济水平进行划分，将人们以此划分出了“三六九等”。当然这样也经常扩展到我们常说的社会不平等等类似的敏感话题，因为它涉及了社会、经济、政治等方面的不平等。其实对于社会阶层的划分也要依据相应的原则，其中有：它的划分不应只体现人们个体间的区别，更应该体现总体的特点；社会阶层也可以“遗传”；它具有普遍性，但不代表一成不变；它不光涉及社会问题，还涉及了人们的思想问题。上文提到社会结构还有主义方面的问题，那么就延伸出了结构主义，当然结构主义又分为主义前和主义后。经过不同时代的变革，不同的学者也提出了自己的真知灼见。在不同社会时期，不同的人探讨社会学一次又一次的有了新的发展。
二、网络社会学
互联网络遍布全球，使得我们的世界越来越“小”。当然在它飞速发展的时候，相关的问题也不断地被提出。人类社会的进化和网络社会的发展二者相融合，也就衍生出了新的事物。其中网络本身有自己的特性，那就是“适应性”。当然它也不仅仅是一个技术的定义，它还会对社会的现象和过程进行体现，所以我们也就需要把它加入到相应的社会学科中进行研究。那么它是如何产生的呢？工业革命中新技术的产生，对旧的社会制度、结构、人际关系、风俗等方面进行着冲击，所以一部分资产阶级就急于重建相关的理论与体系，使之适应社会的变化和发展。当然无论如何，其根本目标是促进人类、社会和自然与技术之间的协调发展，而非相互对立。网络的发展也强势地挤进人类社会发展中，人们对于它的运用和依赖，也使它成为人类社会、生存密不可分的一部分，当然相应的社会问题也逐渐显现出来，成为现代极具人气的研究课题之一。网络出现拥有自己的文化背景，也拥有自己的特征和核心，那么它的定义是什么，是人类创造的实现信息流动的一种技术工具，它也体现出了一系列的社会组织和运动规律。网络具有多角度、多方面的特征，所以我们也应该根据它的特点对它进行研究和把握。我们已知网络与社会密不可分，那么两者的关系又是什么呢？技术影响社会，社会反作用于技术。马克思、恩格斯都认为技术会对社会产生极大影响。当然网络对于社会的影响更多地体现在经济方面，经济全球化使全球的联系更加紧密，而网络作为翻开人类文化新篇章的重要一员，在经济全球化中做出更大的贡献，并且当代自然资源、社会基础设施等也开始向建设网络基础设施方面转化。
三、网络与结构社会学
我们关注经济，那么什么是网络经济呢？网络经济拥有效率高、成本低、传播快、技术高的特点，但是它却又非常的脆弱。这也就产生了新的矛盾，但是矛盾又促进了社会的进步与发展。技术一旦出现就会被运用到生活中，慢慢地就会形成一种规律或者规则。网络作为信息流通的工具，对于人们的生活有重要的影响。以往人们的信息交流都有这样或者那样的局限，并且缺少及时性和互动性，但是现在人们通过网络进行信息的传递，其限制也就少了。网络也不光提供着信息方面的服务，通过对相关信息的归纳与整理，也使处于不同地区的人建立起相互协调的工作或者合作关系。根据上文可知，技术不会单一地作用于社会，社会对它也会有反馈。当然技术也具有自然和社会两种属性，其自然属性就是技术的出现和发展必须符合自然的发展规律，而社会属性则是人类赋予的，技术在推行的时候受到社会各方面的限制，技术也会有难以预知的影响。网络作为一种技术，社会就会对其发展带来各种限制，我们常说的“经济基础”就是其限制，当然生产力和基础技术的发展也是网络发展的基石。在社会方面，在文化氛围开放轻松的社会中网络就会受到人们的欢迎，但是在文化氛围封闭的社会中网络也许会被人们唾弃。从中我们可以得出：网络的发展不光体现了技术的发展，也体现了网络与社会的密切关系。网络影响着人类社会，人类社会也反作用或限制网络的发展，二者相互抑制又相辅相成。
四、结语
网络作为现代的常用技术，我们已经离不开它，我们也知道网络与社会也是相互合作、相互限制的关系。在本文中，我们通过对社会结构的了解，对网络进行了深刻地分析，以便我们将网络更好地运用到社会中，促进社会的发展，服务于社会。
【参考文献】
[1]结构社会学和网络分[J].社会，1985（06）.
[2]窦炳琳，李澍淞，张世永.基于结构的社会网络分析[J].计算机学报，2012（4） .
[3]（美）彼得·布劳.结构社会和网络分析.
神经网络结构 篇4
在实际工业控制中,许多系统的模型对象通常具有很强的不确定性,而滑模变结构控制由于其对参数变化及扰动不灵敏且鲁棒性强的特点,广泛应用于各种系统的控制中[1,2]。T.L.Chern等人提出了积分变结构控制方案,从而解决普通的滑模变结构在跟踪任意轨迹时由于存在一定的扰动而带来的稳态误差,达到很好的性能指标[3]。
神经网络由于对非线性函数具有非凡的逼近能力作为一种新的控制策略已有了广泛的应用,神经网络和变结构控制结合,利用各自的优点组成复合控制器[4,5]有广泛的应用前景。
本文提出了一种基于神经网络的变结构控制策略设计了带积分操作的变结构控制器,通过神经网络来实时估计系统的不确定性界限,从而降低了以往变机构控制理论分析的条件,更有利于实际系统的有效控制,并有效的减弱“抖振”现象。仿真研究证明了所提出方法的有效性。
2 问题的提出
本文研究的控制对象为
其中X(t)∈Rn,控制U(t)∈Rm,A,B是具有相同维数的常数矩阵,∆A,∆B和∆D为系统参数和外加干扰的不确定性,且上界值不可知,B>0。将(1)式整理得
式中D(t)=B+∆AX(t)+B+∆BU(t)+B+∆D,其中B+=(BT B)-1BT。
定义跟踪误差E(t)=R(t)-X(t),
其中为初始位置指令。该系统的控制目的是在非线性不确定项和外部干扰存在的情况下,给定一个初始指令,系统的状态能得到很好跟踪。
3 常规积分滑模面设计
对于式(2)设计带积分作用的滑模面:
其中C为正常数矩阵,K是状态反馈增益矩阵。
系统方程(2)的状态轨迹达到滑模平面方程(3),即时,其等价动态方程为
如果滑模开关变量s(t)满足
其中1,为符号函数,则滑模的存在性和可达性满足。由式(3)和(5)得
假设不确定及干扰项D(t)为零,则滑模控制律为
其中,kd=(CB)-1ks。
假设
而CB为正值,进一步验证滑模的存在性和可达性,有
显然由式(8)得到的位置控制器保证了滑模的存在性和可达性,即
为了减小抖振现象,可以采用边界层法。用饱和函数代替符号函数,饱和函数定义为:
式中µ为边界层厚度,是一个很小的正数,于是得
定理1在不确定项及干扰的联合上界已知的情况下,对于式(1)所描述的系统,取式(3)定义的动态滑模面,若控制律取式(11)则动态滑模面(3)存在且可达,并使系统(1)渐近稳定。
4 神经网络变结构控制器设计
从式(8)可以看到,控制增益kd与不确定及干扰的上界值密切相关,通过连续调整kd就可以减小抖振。为此这里引用RBF神经网络。在以往的研究中,通常假设系统中每个不确定及干扰部分皆有上界且都已知[6],而这些量一般是无法测量的,所以增加了理论研究的约束条件,不利于实际系统的控制。本文将采用RBF神经网络对不确定及干扰的上界进行学习,而无需已知上界值,从而降低了一般滑模控制研究的条件。利用对上界得估计值,即可得到控制增益kd。
设系统的不确定和干扰的联合上界值是M(t),则RBF网络的输入为X(t),输出为系统不确定部分的联合上界M(t)的估计值
其中Tˆw为RBF网络的权值,φ(x)为高斯基函数。
其中im为第i个神经元的中心,ib为第i个神经元的宽度。
定理2针对系统(1)在不确定及干扰的联合上界值未知的情况下,对于式(1)所描述的系统,取式(3)定义的动态滑模面,若采用
所示的控制律,则动态滑模面(3)存在且可达,并使系统(1)渐近稳定。
证明:选取lyapunov函数其中我们取
则
当s(t)≤µ时,
当s(t)>µ时,
5 仿真实例
考虑以下系统
系统的初始状态为[0.5 0]T,
取C=[3 1],K=[-10-100],η=100,µ=0.1,位值指令取R=0.5sin(2pt),
RBF网络的初始权值取[0.1 0.1 0.1]T,高斯基参数取b=[0.2 0.2 0.2]T,仿真结果如图1-4所示。
图1与图2为采用积分滑模控制律式(11)时的仿真曲线。从图1可以看出,当假设上界已知时,系统响应迅速,跟踪效果较好,验证了定理1的正确性,但从图2可看出,积分滑模控制器虽然采用了饱和函数代替符号函数,但仍存在抖振现象。图3与图4采用积分滑模控制律式(12)-(15),系统也能很好的跟踪,与图2比较能够很好的抑制抖振,验证了定理2的正确性。
6 结束语
本文对不确定系统提出一种基于神经网络的积分滑模控制策略。通过神经网络的在线学习来实时估计系统的不确定性界限,从而使控制系统在滑动平面上的运动,减弱“抖振”现象。并在控制器中利用饱和函数代替符号函数,可以进一步减弱“抖振”现象。实验仿真证明了所提出控制方法的有效性。
摘要：针对一类不确定系统,在系统上界值未知的情况下,结合神经网络能任意的逼近不确定系统的优点,设计出一种神经网络积分变结构控制器,利用RBF(Radial Basis Function)神经网络来实时估计系统的不确定性界限,从而降低了一般变结构控制研究的条件。在变结构控制器中又引入饱和函数取代符号函数,进一步减弱“抖振”现象。仿真效果表明,该方法是有效的。
关键词：积分变结构控制,RBF神经网络,抖振,不确定
参考文献
[1]FANG Y,CHOW TW S,LI X D.Use of a recur-rent neural network in discrete sliding-mode control[J].IEE Proceedings:Control Theory and Applications,1999,146(1):84-90.
[2]王岩青,姜长生.一类非线性不确定中立型系统的鲁棒自适应滑模控制[J].吉林大学学报:工学版,2007,37(4):935-938.
[3]CHEM T L,WU Y C.Integral variable structure control approach for robot manipulators[J].IEE Proceed-ings-D,1992,139(2):161-166.
[4]杜红彬,余昭旭.一类仿射非线性系统的自适应神经网络输出反馈变结构控制[J].控制理论与应用,2008,25(6):1042-1044.
[5]王贞艳,张井岗,陈志梅.神经网络滑模变结构控制研究综述[J].信息与控制,2005,34(4):451-456.
知识网络结构图 篇5
集合与简易逻辑1页共11页）映射与函数2页共11页）数列概念一般数列通项公式概念等差数列性质求和概念等比数列性质求和数列求和数列求通项等差、等比数列的基本应用数列高三数学复习——知识网络结构图（）三角函数4页共11页）平面向量5页共11页）不等式值不等式不等式的性质比较法综合法分析法反证法换元法放缩法判别式法实数的性质不等式的证明不等式的解法不等式的应用一元一次不等式一元二次不等式分式、高次不等式绝对值不等式函数的定义域函数的值域函数的单调性方程根的分布最值问题应用题取值范围问题高三数学复习——知识网络结构图（）直线与圆直线的方程五种形式两直线垂直应用直线两直线的位置关系两直线平行夹角及公式两直线相交交点点到直线的距离公式两平行直线的距离公式圆的方程圆圆的标准方程圆与圆的位置关系圆的一般方程圆与直线的位置关系相交弦圆的切线高三数学复习——知识网络结构图（）圆锥曲线曲线上的点对应方程的实数解曲线的交点椭圆定义标准方程几何性质作图）排列、组合、概率、统计高三数学复习——知识网络结构图（）立体几何面三个公理三个推论平行直线公理4及等角定理空间两条直线相交直线异面直线所成的角异面直线异面直线的距离直线直线在平面内空间直线平面与平面直线与平面平行判定与性质简单判定与性质几直线与平面相交垂直何直线与平面所成的角、体三垂线定理两个平面平行距离空间两个平面判定与性质两个平面相交二面角垂直判定与性质定义棱柱、凌锥、球性质面积体积公式表面上两点间距离高三数学复习——知识网络结构图（）导数高三数学复习——知识网络结构图（）
浅析无线蓝牙技术的网络结构模式 篇6
关键词：网络控制 网络管理 主、从节点 时钟
蓝牙技术作为电子数码设备无线互联的低廉和可靠的技术实现方式，可以作为现有所有移动设备中的短距离的无线数据收发机。蓝牙技术从最开始的研发到完善经历了较长的过程，优化和扩大了各个应用领域，进一步提升了无线通信的实用性、可靠性和安全性。较之于其他的无线通信方式，蓝牙技术有自己独特的连接模式。利用开放式代码和快速地寻址方式使其在通信领域得到快速发展。现就蓝牙技术的网络连接结构简要地分析。蓝牙微微网是一种个人无线区域网，蓝牙数据又以分组的形式出现，它必须具有无线区域网的一般特征。主要有以下三个方面体现：信道多址传输技术、多层协议及其接口的使用；路由算法。蓝牙微微网中的智能控制行为表现为对网络的控制和管理两个方面。
1 网络管理
网络管理主要有两个方面的内容：一是对运行设备的管理；二是对运行的管理，运行管理中的重点是对链路的管理。
1.1 网络管理的基本内容 无线局域网按结构划分基本型和专用型。基本型是节点之间彼此平等地进行通信的一种网络，它们之间的连接十分简单明了，不会组成复杂的主干网。专用型网络结构复杂，它在基本型结构的基础上增加了多个功能。
1.2 从局域网到主干网 从WLAN主干网的网络话务方向称为上行链路。上行链路内移动节点的传输需要多址协议支撑。多址协议的描述物理信道具有的动态性能上。由于信道传送的多径衰落性质，使得信道特征不可预测，能在极短的距离上产生变化。显然，衰落信道通信有不可靠性，往往存在不公平接入。实验结果表明，这种信道会因1ft的移动或10-20ms时间内合接收信号的强度发生很大的变化。网络管理还需要研究网络拓扑结构发生变化时的应对措施。对于固定节点，无线网络的拓扑结构发生变化的起点是移动的。
2 网络控制
WLAN的复杂多变结构决定了对它的控制需要分步来进行。首先，一个网络在使用前必须进行初始化处理，初始化的主要内容是它具有可使用、可驾驭的性能，否则网络会失控，就丧失了存在的意义。初始化的主要内容是确定网内各节点之间是否建立了正常的连接，是否存在着能够传输分组的信息通道。有两种方法可以用来进行初始化：一是每个节点激活后周期性广播“分组无线网络组织分组（PROP）。节点广播的目的是告之网络内其他节点：有本节点存在于网内。凡是听到PROP的其他节点，能够将它置于自己的邻居节点为表中。这样一来，每个节点都能建立一张网络内已经被激活的邻居节点表，与此同时，到达其他任一节点的最佳路由也计算出来，这就为一个节点与任一节点之间的通信创造了条件。
网络初始化的另一种方法是周期性地采用自组织法。所谓自组织是网内所有节点同步动作，被授予一个或几个时隙，在这个或这些固定的时隙内，每个节点都广播自身的状态或相关信息，为了不发生拥挤和混乱，事先固定各节点的广播顺序。
对网络连接性进行测定，在满足已能使用的条件下才宣告初始化的结束。测定可以通过直接或间接的方法进行。直接测量的方法是测量信号幅度、信噪比、误比特率等多项指标，看其是否达到设计要求。间接测量测定接收端正确接收分组的比例，达到足够高的比例后才能结束初始化，让网络转入工作状态。
网络控制的难点是流量控制。网络中心节点发送分组数据是随机的，谁也不能事先断定移动用户在什么时候往哪个节点发送信息。大批量的信息流必将形成网络堵塞。经过分析与考察，网络堵塞与以下的因素有关：随机多址协议执行过程中具有不稳定性；移动节点发送信息具有随机性；分组无线网络拓扑结构具有动态变化性。
3 蓝牙节点的时钟
蓝牙信道位于蓝牙微微网内，蓝牙信道的基本特征是由微微网的主节点来确定的。除此之外，主节点通过轮询方式控制信道通信。在这里，所谓主节点被定义成能向一个或多个从节点提出并实施连接的蓝牙单元。主节点的性质并非一成不变，也就是说，主节点和从节点在已建立的微微网中完全可以互换，网络内的每一个单元都有资格成为主节点，这是因为在微微网中，每个蓝牙单元的权重都完全相同。
蓝牙数据的发送不能杂乱无章地进行，无论是发送蓝牙数据的主节点，还是接收蓝牙数据的从节点，都需要统一的时钟信号来指挥。每一个蓝牙节点都有一个内部系统时钟，时钟的功能正是经发送/接收定时并跳频。由此可知，只要蓝牙运行，蓝牙时钟就永远不会关闭。每个节点都有各自的时钟，不同节点之间就需要同步。蓝牙节点自身的时钟叫本地时钟，其他节点的时钟可能与本地时钟不同，但由于时钟转动的快慢是相同的，因此要想同步只需要给本地时钟加一个补偿值。
主、从节点的时钟有不同的用途：主节点上的蓝牙时钟能够确定微微网信道的定时和跳频。从节点虽然也有自己的时钟，但却需要从通信链路上接收主节点的时钟，并在自己的本地时钟上增加一个补偿值以便与主节点时钟同步。该补偿值需要的规律地更新，因为时钟不能受到控制。
因此在蓝牙技术的网络模式中，管理与控制始终处于工作状态，并保持整个无线通信的顺畅。
参考文献：
[1]宋俊德.蓝牙核心技术[M].北京：机械工业出版社，2001.
[2]郭磊.蓝牙如何继续发展[J].通讯世界，2003，5.
神经网络结构 篇7
近年来,电力系统短期负荷预测手段中的人工预测方式逐步被软件预测方式所代替。负荷预测软件已成为能量管理系统(EMS)的一个重要组成部分。计算机的普及使大量短期负荷预测方法和预测模型的采用成为可能,为提高预测精度创造了条件。短期负荷预测的核心问题是如何利用现有的历史数据(历史负荷数据和气象数据等),采用适当的数学预测模型对未来时刻或时段内的负荷值和电量值进行估计。因此,有效地进行短期负荷预测要具备2个方面的条件,一是历史数据信息的可靠性,二是正确的预测方法和相应的软件。由于电力系统管理信息系统的逐步建立,以及气象部门气象预测水平的提高,对各种历史数据的获取已不再困难,因此短期负荷预测的核心问题是预测模型的水平高低。
BP人工神经网络是最常用的建立负荷预测模型的工具之一,其在实际应用中主要面临2个方面的问题:一是网络的学习速度问题,二是网络的结构设计问题。BP神经网络学习算法大致上可以分成3类:第一类是各种改进的梯度下降算法和牛顿型下降算法,第二类是各种分层优化算法,第三类是遗传算法和演化算法。其中,分层优化算法(或OLL法)是最重要的一类算法,它采取的优化策略是对各层的连接权相互独立地逐层进行优化,研究表明其最显著的特点是收敛速度快。在本文中对建立电力负荷BP神经网络预测模型(网络结构)进行了讨论。
2 前向人工神经网络模型
前向人工神经网络模型是最常用的一种人工神经网络模型,它的主要用途是用来逼近非线性映射,因此可以用它建立一般的非线性预测模型。在本文中只考虑三层前向网络,输出层为线性层,隐层为非线性层。
三层前向神经网络的结构如图1所示,其中输人层神经元把输入网络的数据不进行任何处理直接作为该神经先的输出。
设输入层神经元的输出为(X1,X2,...,XL),隐层神经元的输入为(S1,S2,...,SH),隐层神经元的输出为(Z1,Z2,...,ZH),输出层神经元的输出为(Y1,Y2,…,YM),则网络的输入-输出为:
式中,wij为输入层-隐层的连接权值;wj0为隐层神经元的阈值;vkj为隐层-输出层的连接权值;vk0为输出层神经元的阈值;σ为非线性函数。
网络的输人-输出映射也可简写为:
它是Rn到Rm的映射。BP神经网络的学习问题即是由样本数据确定参数wij和vkj,结构设计问题则为确定输入层神经元的个数、隐层神经元的个数和神经元之间的连接。选择线性输出三层前向神经网络作为非线性映射通用逼近网络主要是基于如下定理。
定理:设6:R→R为有界连续函数,f(x)为定义在Rn中某紧集K上的连续函数,则对任意ε>0,存在一正整数N,cj,θi∈R及矢量wj∈Rn,使得:
对于一切定义在K上的x都成立。
3 神经网络结构的选择
人工神经网络作为一个由多个非线性元件大规模互连构成的动力系统,其系统的行为由2个方面的因素决定:其一为拓扑结构,包括网络节点个数和相互连接方式;其二是节点间的连接权值。因此,在使用人工神经网络进行短期负荷预测时,首先要确定网络的拓扑结构。神经网络由输入层、隐含层和输出层3层决定,其中输入层和输出层都是单层,而隐含层可以是多层结构。合理的网络结构应该很好地反映电力系统负荷运行的内在规律,设定适当的网络规模获得较高的训练效率,取得较高的预测精度。在利用神经网络进行短期负荷预测中,神经网络的性能很大程度上取决于网络的结构,然而在没有系统的理论指导下确定最合理的网络结构,一般采用试凑法决定网络的结构,而这种方法计算量大、效率低。因此,合理选择网络结构是很值得研究的课题。
3.1 输出曾的选择
利用人工神经网络对电力系统负荷进行预测,实际上是利用人工神经网络可以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点,根据负荷的历史数据,选定前馈神经网络的输入和输出,因此,用人工神经网络进行负荷预测,首要的问题是确定神经网络的输出和输入节点。输出层一般为一层,按神经元个数可以分为单输出和多输出。采用单输出的结构,也就是对预测日的24点负荷需要建立24个神经网络分别预测,这种输出模型的优点在于神经网络的规模相对比较小,因此预测速度比较快,而且不容易出现过度训练的现象。多输出模型是指输出层神经元个数等于预测日需要预测的小时点数,一般为24、48或者96。该模型得到比较多的研究应用,其优点在于可以一次地得到预测日的负荷数据,预测模型的通用性比较好。但是该模型也有2个缺点:一是网络规模太大,对应于该模型的网络权值、阀值等参数可能需要上千个,训练时间比较长;二是负荷预测中数据样本的选择很重要,然而相对于以天为单位的输出,历史样本的选择比较困难,在同一年里,数据有限,而对于绝大多数地方而言,历史负荷有逐年增长的趋势,势必影响预测的精度。
3.2 输入层的选择
在短期负荷预测时,人工神经网络就是通过训练样本来反映输入和输出的映射关系,从而对负荷进行预测。因此,在确定了输出层后,需要确定对应的输入层。输入层的输入变为负荷的影响因素,通常有历史负荷分量、日期类型分量、天气因素(如温度、风力、能见度、湿度等)。输入层的多变量输入体现了人工神经网络的优点。天气因素对短期负荷影响很大,在以往的预测方法中很难简单、有效地考虑天气因素。神经网络多输入多输出的结构,以及其自学习和自适应功能是常规算法和专家系统技术所不具备的。然而,在实际应用中也会带来一定的困难,如这些天气数据的获得,输入数据的处理及天气预告本身的误差对预测带来的影响等。总的说来,结合当地的负荷特性的特点,深入研究负荷变化内在规律,选择合理的输入输出映射关系是确定输入层及输出层神经元个数的基础,也是短期负荷预测的关键问题之一。
3.3 隐含层的选择
人工神经网络隐含层个数可以为多层,Kolmogorov定理证明在合理的结构和适当的权值条件下,三层前向网络可以满意再现任意连续函数。因此,在使用人工神经网络进行短期负荷预测时,绝大多数的研究都是基于单个隐含层的。对于三层前向网络来说,输入、输出的节点数主要由基于特定地区的负荷特性的深入分析得到,进而选取合理的输人输出映射关系决定,其连接方式是固定的,因此对神经网络结构的分析主要是针对隐含层的个数。BP神经网络的隐含层神经元个数就是样本中线性无关的基底向量个数,神经网络的训练算法就是对样本的组织,挑选基的过程,如果隐含层节点个数太少就不能很好地匹配数据,节点个数太多又会造成过度训练,收敛速度变慢,影响网络的外延功能。
3.4 预测流程图
结合神经网络进行短期负荷预测的预测流程图见图2。
3.5 算例结果和分析
以广西某地区2007年6月11日负荷为预测对象进行预测。编码长度为4,个体数为12,进化的迭代次数为200,对于不同的隐含层神经元个数的神经网络的预测误差结果是不一样的。不同的隐含层神经元个数对应的预测误差是不同的,而且可能相差很大,本文中依据经验的范围得到的误差范围在2.83%～10.14%之间,当隐含层神经元个数为40时,平均相对误差最小为2.83,因此,一方面说明隐含层神经元个数对预测精度的影响很大,另一方面说明结合算法寻找最优网络结构的预测方法的有效性。
摘要：目前,在电力系统短期负荷预测的手段中,已由人工预测方式逐步被软件预测方式所代替。BP人工神经网络是最常用的建立负荷预测模型的工具之一,文章对建立电力负荷BP神经网络预测模型(网络结构)进行了讨论。
神经网络结构 篇8
光纤光栅[2]是一种通过一定方法使光纤纤芯的折射率发生轴向周期性调制而形成的衍射光栅, 是一种无源滤波器件, 在土木工程领域对建筑物进行在线监测和评价, 采用光纤光栅技术是一种全新的方法, 越来越引起人们的广泛重视[3,4,5,6,7,8]。
人工神经网络 (Artificial Neural Network—ANN) 也简称为神经网络, 它是一种模仿动物神经网络行为特征, 进行分布式并行信息处理的算法数学模型[9,10]。目前应用最广泛的是静态前馈BP神经网络, 利用静态前馈网络对动态系统进行辨识, 实际上是将动态时间建模问题变为静态建模问题, 必然会引出许多问题, 能够更直接更生动地反映系统动态特性的网络应该是动态神经网络, 即回归神经网络。Elman回归网络是一种典型的动态神经元网络, 它是在BP人工神经网络基本结构的基础上, 通过存储内部状态使其具备映射动态特征的功能, 从而使系统具有适应时变特性的能力[11]。
Elman神经网络是在1990年由J.LElman针对语音处理问题提出的, 文献[12][13]提到基本的Elman神经网络由输入层、隐含层、连接层和输出层组成, 与BP网络相比, 在结构上多了一个连接层, 用于构成局部反馈;连接层的传输函数为线性函数, 但是多了一个延迟单元, 因此连接层可以记忆过去的状态, 并在下一时刻与网络的输入一起作为隐含层的输入, 使网络具有动态记忆功能, 非常适合时间序列预测问题[14]。
1 砖混结构的监测
1.1 监测概况
河北大学电信楼为砖混结构, 建于1973年12月, 层数2层~6层, 主楼为5层。以电信楼为监测对象, 对其现状进行分析。整体测点布置如图1所示, 五楼楼顶四个角各分别布置光纤水准仪, 共4支, 型号为100MM;楼体外墙表面安装光纤位移计传感器共12支;五楼506教室梁的两端和中部布置应变计传感器共9支。
1.2 监测过程
在确定测试的物理量类型、相应的传感器类型和位置后, 用YZ20H-I型震动压路机提供的激振力模拟地震荷载, 具体过程为先驾驶压路机围绕建筑物转一圈, 再用压路机在固定位置上微震、强震持续一段时间, 最后对监测到的数据进行分析。表1为主要装置的介绍。
2 Elman神经网络算法
设有输入n个, 输出m个, r为隐含层和承接层神经元的个数, 每层连接权值分别用w1, w2, w3表示, 神经网络的输入表示为u (k-1) , 隐含层的输出用x (k) 表示, 承接层的输出表示为xc (k) , 神经网络的输出表示为y (k) , 则:
其中, f为隐含层的传递函数, 即:
其中, g为输出层的传递函数, 常为线性函数。
Elman网络采用BP算法进行权值修正, 网络的误差为:
其中, tk为目标输出向量。
3 神经网络的预测
以楼顶东南角水准仪、表面位移计和五楼梁左端表面应变计的监测数据为例, 建立Elman神经网络模型, 以前110组监测数据为训练样本, 后40组监测数据为测试样本, 对结构的位移和应变进行预测。图2为水准仪监测值与Elman神经网络预测值的比较结果, 表2为相应的相对误差;图3为位移计监测值与Elman神经网络预测值的比较结果, 表3为相应的相对误差。
%
%
由图2, 图3可以直观的看出Elman神经网络预测的位移、应变随时间变化的趋势与水准仪、位移计和应变计监测出的走势图基本相同;由表2, 表3可以得到预测值与监测值之间的相对误差较小。
4 结语
1) 采用光纤光栅技术能够对房屋的变形、位移等实现远程实时在线监测, 可以较为直观的监测建筑物的状态, 进而对建筑物的健康状态做出合理评估。2) Elman神经网络具有动态记忆功能, 非常适合时间序列预测问题, 并且其计算速度快、实时性好, 能够克服传统BP神经网络训练时间长及计算复杂度高等缺点, 因此适用于砖混结构建筑物的健康监测及预警。3) 由表2, 表3可以看出由Elman神经网络算法算出的预测值与监测值的相对误差绝对值基本介于 (5.8e-008) %与11.888 5%之间, 相对误差较小, 预测精度高, 因此能够对砖混建筑的预警提供理论依据。
摘要：以砖混结构房屋为研究对象, 利用具有时变适应能力的Elman动态回归神经网络, 建立预测模型, 通过对东南角光纤水准仪、位移传感器和梁左端应变传感器监测数据进行模拟预测, 得出监测值、预测值曲线图和相对误差。
网络考试系统结构分析 篇9
关键词：网络考试系统,基于Web的考试系统,服务器,客户端模式考试系统,考试手段,教育评价
0 引言
近年来随着信息化时代的快速发展, 以及信息技术学科的广泛开展, 一种运用网络手段来考查学生学习效果的新的考试方式也逐渐地涌现出来。这种以网络为载体的考核方式不仅能考核学生所学学科中所包含的知识性内容, 还能在具体的任务中考查学生所具有的解决实际问题的操作能力。它的出现极大地弥补了传统纸笔类考试中无法体现实践类学科 (如信息技术) 所应具有的实践性与技能性特征的弊端, 也促进了考试技术向更简单、更灵活、更公平、更高效的理想化的总结性评价方向发展。
新兴的网络考试系统无疑比以往的考试方法更具有生命力, 但就像任何一个新型事物必有其不成熟的一面一样, 网络考试系统无疑也有着自己的高要求。首先, 网络考试系统对网络技术的依赖性很强, 网络环境中或通讯时的诸多问题都会影响着考试的进程与质量;其次, 网络考试系统要求做好数据管理与维护;最后, 网络考试系统必须要考虑系统的安全性问题。总的来说, 网络考试系统最主要问题仍是技术层面上, 要解决这些问题最好的途径其实就是要不断地优化系统本身内在的结构。为此, 本文将介绍现有的3种考试系统结构及其适用范围与优劣之处, 以此来实现教育评价更理想化的发展。
1 现有的3种考试系统结构的分析与比较
1.1 基于Web的考试系统
基于Web的考试系统结构就是通常所说的B/S (Browser/Serve) 结构, 这种系统结构是以浏览器为中介, 也就是考生通过登陆与操作浏览器 (Browser) 窗口来实现对考试系统内部逻辑和数据库交互的。其工作流程大致为:首先, 考生打开浏览器以客户端的身份向服务器端发送应用请求;服务端接受请求并验证用户, 当用户验证成功后服务器以相应的组卷策略访问数据库并调用数据库里的表格 (即试题) ;随后, 服务器将所调用的表格以一定的形式回传给提出请求的客户端;然后, 客户端在自己获得的服务器信息上进行相关的操作 (答题) , 并将操作的结果重新返回给服务器端;最后服务器端通过自动的智能阅卷系统或手工阅卷将用户操作的结果评价出来。在此体系的主要逻辑实现是在服务器端进行的, 服务器负责建立客户端所需的界面并与数据库的实行交互, 而用户端则只是进行简单的浏览器访问和数据操作。
B/S结构的具体工作流程如图1所示:
B/S模式所具有的优缺点如下:
(l) B/S结构对客户端要求很低, 可以说是一种瘦客户机模式。在B/S结构的考试系统中用户只需安装浏览器即可, 因此在客户端的使用界面简单, 对硬件配置要求也较低, 可以实现在任何地方随时的上网操作。
(2) 系统的开发、维护和管理简单。在Browser/Server模式中, 只需要在Web服务器上安装好程序, 用户就可以进行操作, 而且操作不受用户的数量影响。所有考试系统内部的维护和升级只需要针对服务器进行操作即可, 当考试系统升级后, 客户端只需要下载最新的更新, 这样管理人员和开发人员只需将精力集中在合理组织系统的内部结构, 更好地提供各项业务的技术支持即可。
(3) 使用范围广、效率高, 由于B/S结构建立在互联网的基础之上, 因此不必要求专门的网络硬件环境, 用户可以随时上网答题。使用者的范围较广。采用服务器、客户端和数据库3层体系结构分布性也很强。此外, 开发B/S结构系统效率高、周期短, 对开发人员的技术要求也相对较低。
(4) 数据安全性差, 数据传输速度慢。由于B/S结构采用星型的网络结构, 服务器是资源和通讯的核心。这就要求服务器本身的响应速度要快, 并发处理数据请求的能力要强, 但是由于Web服务自身的特点, 在现有的服务器中很难做到这些。同时B/S结构通讯时由于局部网络的繁忙等, 传输过程中很可能有数据包的丢失, 造成客户端长时间得不到响应。此外, 此结构在网络上传输和资源共享时的安全性也存在着极大的隐患。
(5) 无法通过进行本地文件的操作实现对考生技能性知识的考查。如信息技术就是一门实践性与技能性极强的考试科目, 对其进行考察时如无法涉及到对技能性操作的考查 (如Word、Excel操作等) 将会是考试中一个很大的缺失。
1.2 服务器、客户端模式考试系统结构
服务器、客户端模式考试系统结构即通常所说的C/S (Clients/Server) 结构, 这种结构与B/S结构的最大区别就在于考试的流程是通过客户端的软件, 而不是浏览器作为中介来进行的。以客户端软件作为考生与考试管理者之间的中介要求在考试前客户端要必需安装有所需考试的软件, 其次在考试时客户端可以与数据库进行快速稳定的传输。
此结构的具体工作流程与B/S结构大致相同, 但在网络与数据库的交互中又大致分为: (1) 管理服务器:服务器作为客户与数据端之间中介。用户根据自己需要编写服务器来完成与客户端的信息交流的同时, 实现对数据库 (如本地Access数据库) 的操作。 (2) 数据库服务器:网络数据库如SQLSEVER, 客户端直接访问数据库。从数据库读取信息、将考试结果提交到数据库, 以及记录一些考试有关信息 (如登录时间、提交时间、考试机器IP地址、考试状态等) 。
C/S模式考试结构流程如图2所示:
C/S模式所具有的优缺点如下:
(l) 全面考查考生各个方面知识与技能。考生的操作不再只是局限于一个浏览器窗口, 而是可以全面的操作本机的数据资源, 这样考试过程中就可以完整的考查考生对单个计算机的操作技能, 更好的完成一个信息技术考试应有的操作技能的考查。
(2) 降低服务器负载, 减少网络传输量。由于考试程序的客户端部分是安装在客户机上的, 这使得服务器可以专门从事数据处理工作、工作量降低, 甚至可以用网络数据库直接作为客户端的服务器。同时, 由于网络仅致力于收发操作指令和传送操作结果, 因此数据的传输量很小, 很少能造成网络的拥挤和堵塞。
(3) 数据存取更加方便、安全。C/S模式中可以使用定时备份等手段增加传输的安全性, 同时由于数据库可以安装在服务器上, 数据的存储和管理相对来说更为高效。
(4) 客户端安装、维护、升级时操作复杂。由于C/S结构需要在客户端安装运行考试软件, 这对客户机在某种程度上来说是个负担。此外, 由于数据的应用逻辑都封装在客户端, 当考试系统进行软件升级和数据更新时数据的集中管理与控制较为困难。
(5) C/S结构主要是在以局域网为基础的环境下开展的应用, 受地域的限制较为明显。
1.3 B/S和C/S相结合的考试系统结构
基于B/S和C/S相结合的考试系统结构是在集合了以上两种结构优点的基础上建立的一种新的网络体系构架。它主要是由客户端、应用服务器和数据库服务器三者组成。在应用服务器中又分为管理考试进程、监视局域网内部考试结果的局域网管理服务器或数据库服务器, 和进行网络通信完成网络传输的web服务器两种类型, 在这里, 网络数据库服务器不仅可以实现管理服务器的功能, 还可以完成一些数据交换。
基于B/S和C/S相结合的考试系统结构不仅可以实现局域网内的考试管理, 还可以让局域网外的考生通过Internet访问Web服务器, 再由Web服务器访问数据库管理服务器或SQL Server数据库服务器, 并由此实现与数据库的交互。
B/S和C/S相结合的考试系统结构如下图3所示:
这种结构的优点显而易见, 它可以结合C/S与B/S的优点, 实现局域网内部和外部用户同时访问考试数据库。由于采用管理服务器来进行局域网内数据的传输和封装, 所以数据存取更加方便传输更加迅速安全且能考查学生单机的操作技能。同时, 由于外部用户可以通过Web服务器访问数据库, 所以考试的应用适用范围更广更具效率。
2 结束语
由上述分析可以看出, 基于Web的考试系统与服务器、客户端模式考试系统结构各有其优缺点, 基于Web的考试系统比较适合于广域网内的考试, 而基于服务器、客户端模式考试系统结构则更有利于局域网内的考试。同时, 两者结合的考试系统结构也能更好地突出网络考试系统适用范围广、灵活、公平, 能考查学生计算机操作技能的特性。因此, 这种考试系统结构可能是未来大范围内应用网络考试所需的系统结构。
总之, 虽然各个考试系统的适用范围有差异, 但3种考试结构系统, 基本上都可以实现考生登陆管理、考试过程自动化, 考试阅卷的机械化等功能。这些功能的实现不仅使得现代化的技术水平能更好地运用于教育评价之中, 而且使得教育评价更趋向于多元化的发展。这也正是教育考试甚至是教育评价所应有的理想化发展趋势, 而考试系统结构上的分析或许是对这种趋势更好的完善。
参考文献
[1]李青.联机考试系统的研究与实现[D].南京:南京师范大学, 2002.
[2]段正杰.基于三层C/S结构的网上考试系统的设计与实现[D].上海:华东师范大学, 2006.
[3]李琦.基于C/S模式的计算机等级考试上机考试系统[J].重庆大学学报, 2006 (2) .
[4]李伙钦.基于B/S架构的在线考试系统的分析与设计[J].科技信息, 2008 (30) .
[5]王洪海, 刘政敏.基于C/S和B/S的考试系统研究与设计[J].信息技术与信息化, 2007 (2) .
[6]陈奕宏.基于B/S和C/S模式的无纸化考试系统研究[J].重庆科技学院学报 (自然科学版) , 2008 (1) .
[7]林萍.基于C/S和B/S网络架构的考试系统平台比较分析[J].软件导刊, 2006 (23) .
神经网络结构 篇10
关键词：BP神经网络,BP-RBF组合神经网络,应力预测,挖掘机动臂
0 神经网络优化方法的研究和存在不足
结构优化设计是工程中的重要环节,建立以性能最大化,成本最小化的多目标优化设计模型,利用有限元计算和优化算法在指定参数区域内找出设计参数的Pareto最优解集的方法逐渐被工程中所采用。然而面对一些复杂的模型,和大量接触的非线性问题,有限元的重复迭代计算存在大量的时间成本的投入,以神经网络学习替代有限元计算为有效的方法。参考文献[1]介绍了通过BP神经网络的学习,结合遗传算法的多目标优化方法,并应用与对液压机的上梁优化中,提高了优化效率;参考文献[2]介绍了利用RBF神经网络学习取代有限元计算的可靠性,并以25杆桁架做为算例。然而目前大部分研究停留在整体方法介绍,对于提高神经网络应力预测准确度的研究却较少涉及,而神经网络应力预测的精度却是整个方法成功与否的关键。本文在挖掘机动臂仿真分析基础上,简述BP神经网络和RBF神经网络的预测特点,并提出BP-RBF组合的神经网络,进一步扩展RBF神经网络的应用范围和BP神经网络的预测精度。
1 神经网络的原理简介
1.1BP神经网络的基本原理
BP神经网络(back propagation neural network),被称为误差方向传播网络,它是由非线性变换单元组成的前馈网络,由输入层、中间层和输出层组成。BP神经网络的学习过程由两部分组成:正向传播和反向传播。当正向传播时,信息从输入层经过隐层单元处理后传向输出层,当输出层得到不希望的输出时,则反向传播,将误差信号沿原来的神经通路返回,同时不断修改连接权值和阈值。BP网络的实质是求解误差函数的最小值问题,利用它可以实现多层前馈神经网络权值的调节。BP算法可以使网络权值收敛到一个最终解,但并不能保证所求的误差为全局最优解,也就是容易陷入局部极小值。
1.2RBF神经网络的基本原理
RBF神经网络(radial basis function neural network)是单隐层前馈型神经网络,输入层节点只是传递输入信号到隐层,它是一个三层前向网络。RBF神经网络的显著特点是隐含节点的基函数采用的是距离函数,并使用RBF作为激活函数。RBF关于n维空间的一个中心点具有对称性,神经元输入距离该中心越远,激活成功率就越低,这个局部特性可以看出RBF神经网络不同与BP神经网络,它是一个局部响应网络,所以训练速度更快,同时缺点也是当样本输入区域较大时,如何保证足够的输入区域,是能否保持学习精度的研究重点,另外与BP神经网络不同的是,它不需要误差的反向传播,节省了大量的运算时间,而且需要确定的参数较少,仅需确定散布常数(SPREAD)。散布常数的确定方法一般采用凑试法和聚类法,本文采用的是凑试法。
2 挖掘机动臂的有限元试验
2.1 挖掘机动臂简介
液压挖掘机随着国家基础建设工作的普及,得到快速的发展。工作装置是液压挖掘机的重要部件,对挖掘机性能有着十分重要的影响。挖掘机动臂的整体式弯臂采用大圆弧过渡以减小该地方的应力集中。主体框架由上盖板、下盖板、左侧板、和右侧板焊接而成。上下盖板,左右侧板均由前后厚度为5～19 mm的16 Mn钢板拼焊而成。动臂与转台、斗杆、动臂油缸连接的轴座均由ZG270-500材料焊接而成,轴座四周焊有四块加强筋板以提高强度。
2.2 挖掘机动臂优化变量选取及有限元模型
参考文献[7,8]介绍了动臂参数的优化,主要集中在动臂外形几何尺寸的优化,对动臂焊接板厚度的研究却很少。本文选取的变量为上盖板厚度d0、下盖板厚度d1、左右侧板厚度d2、上耳板厚度d3、前耳板厚度d4。首先在ABAQUS中应用壳体建模,建立了包括上盖板、下盖板、左右侧板、前后耳板等零件,在软件中完成装配,方便针对不同厚度的薄板进行赋予属性。有限元模型如图1。
2.3 计算工况选取以及边界条件处理
a)计算工况
本文计算工况选取为挖掘机动臂可能出现的最大载荷工况来计算,即动臂缸全缩,斗杆与斗杆缸铰接点、斗杆和铲斗铰接点及铲斗齿尖在同一直线上且垂直于斗杆缸。
b) 有限元模型约束和载荷的处理
为了消除模型的刚体位移,对动臂和转台的铰点,约束其x,y,z方向的移动自由度与绕x,y轴的旋转自由度,释放z方向的旋转约束(ROTZ)。对动臂与斗杆的铰点,约束其y方向的移动自由度,对其他与油缸的铰点以施加载荷的方式处理。
c) 各铰点销孔处理方法
由于动臂是通过销轴孔处通过接触传力,销轴孔力不是按照均匀分布而是近似的余弦分布,且存在一定的接触应力集中现象。为了减少计算误差,同时又不致使运算计算量加大,本文在ABAQUS软件中销轴孔中心设置reference points(RP),利用RP与销孔表面设置结构耦合约束,通过RP来施加载荷模拟接触受力(图2)。
2.4 正交设计试验安排
正交试验设计是利用数理统计学和正交性原理,从大量的试验点中挑选适量的具有代表性的试验点,应用正交表合理安排多因素试验的一种科学的试验设计方法。其主要的优点是利用较少次数的试验,得到因素对目标函数影响显著性及其影响规律。根据挖掘机动臂参数特点,选取五因素四水平的正交表L16(4)5,其中16为试验次数,4为因素的水平数,5为因素数。具体试验安排及试验结果如表1,最终动臂应力云图(图3)。
3 神经网络的设计与仿真
3.1 数据归一化处理
由于网络输入节点物理量各不相同,有的数值差距非常大,各指标样本之间不存在可比性,无法进行正确的综合评估。且大多数神经网络模型采取S形的函数做为激活函数,该函数的值域在【0,1】区间内。因此需要对数据进行归一化处理,本文采用激活函数的极大值和极小值分别为1和0,所以本文将数据归一到区间【0.05,0.95】内,以便让样本有足够的增长空间,采用的归一化公式为:
Xi’undefined
式中:Xmax,Xmin是样本变量的最大值和最小值;Xi和 Xi’分别是归一化前和归一化后的值。
3.2BP神经网络与RBF神经网络设计
所有网络设计都在MATLAB软件中创建,BP神经网络采用三层的网络设计,隐含层传递函数选择tansig,训练方法选择trainlm,调用语句net = newff(P,T,7,{‘tansig’},’trainlm’)完成BP网络的创建;RBF神经网络不需要进行各种参数确定,只需要确定散布常数SPREAD,采用凑试法,从0.5,0.7,0.9,1.1……2.0中逐一试验,确定最佳的SPREAD值为0.7,调用net=newrbe(P,T,0.7)完成径向基网络创建。两种网络训练误差曲线如图4,图5。
3.3BP-RBF组合神经的网络设计
BP神经网络采取BP算法反向传播,容易陷入局部最小值,泛化能力较差,利用BP神经网络与RBF神经网络串联,通过RBF的快速逼近,对BP网络进行进一步训练。其中第一部分为BP神经网络,第二部分为RBF神经网络,两种神经网络中的神经元层与层间没有连接,层间全连接。网络结构模型如图6。
在BP-RBF组合神经网络中,BP神经网络的设计和3.2条中相同,输入层为个数为16,隐含层为7,传递函数为S型函数,输出层为2;RBF神经网络比3.2条中精简,其输入层个数与BP神经网络输出层相同,散布常数SPREAD值需要重新试验确定,传递函数使用高斯函数,仿真编程在MATLAB中部分代码如下:
3.4 三种神经网络预测结果分析对比
分别将组合神经网络,BP神经网络,RBF神经网络的预测结果进行对比,检测样本的预测误差对比如表2,表中样本数据为归一化后的数据。
由仿真分析对三种神经网络做一下对比:
从网络结构上,BP神经网络和组合神经网络的网络结构较RBF神经网络精简,其中BP神经网络隐含神经元为7,组合神经网络的第一隐含层神经元数为7, 0神经网络的隐含层神经数为16。 在BP神经网络中,sigmoid神经元能覆盖较大的输入区域,而径向基采用高斯函数作为传递函数决定了其只能对较小的区域产生响应,径向基的隐藏神经元等同于学习样本数,所以当输入区间较大,学习样本较多的时候RBF神经网络需要更多的神经元去满足预测精度,导致了网络结构的冗赘。
从预测精度上,三种神经网络都展现了良好的训练精度,证明神经网络预测应力的方法是可行的。其中BP神经网络在3、4号预测样本中的误差出现了较大的跳跃,误差大于百分之10;RBF神经网络预测平稳,仅在6号样本出现百分之8的误差;BP-RBF组合神经网络中通过RBF网络的进一步训练,两处跳跃误差得到了改善,在预测精度上组合网络显示出优于BP和RBF神经网络的性能。
训练时间上,BP神经网络的训练时间为32.7 s,迭代200次;由于RBF神经网络避免了BP网络冗赘的反向误差传播计算,通过局部映射大大提高了训练速度,RBF神经网络训练代数仅为20次,训练时间为7.2 s;RBP神经网络了较快的收敛速度,大于BP神经网络和组合神经网络
综上可知,RBF神经网络和组合神经网络可实现互补应用,当学习样本较少的时候采用RBF神经网络实现较快的收敛,较平稳的预测精度;当学习样本众多,输入区间跨度大的时候,为了精简网络结构,防止误差跳跃,可以利用BP-RBF组合神经网络实现精简的网络结构和满意的预测精度。
4 结语
本文分析了BP神经网络和RBF神经网络在应力预测中的应用特点,提出了BP-RBF组合神经网络,通过实例仿真证明了,BP-RBF组合神经网络的误差满足工程应用需求,并提高了BP神经网络在应力应变预测中的准确度,解决了RBF神经网络学习样本繁多时候,需要相应多的神经元的问题,具有普适性。可以和RBF神经网络结合使用解决各种输入样本情况下的结构优化问题,提高运算效率。
参考文献
[1]李艳聪,张连洪.基于神经网络和遗传算法的液压机上梁轻量化和刚度优化设计[J].机械科学与技术,2010,(2):164-169.
[2]朱学军,薛量,王安麟,等.利用神经网络实现复杂结构的多目标优化设计[J].机械科学与技术,2000,(3):368-370.
[3]田雨波.混合神经网络技术[M].北京:科学出版社,2009.
[4]麻官亮,邵玉刚.BP和RBF神经网络在边坡稳定性评估中的比较研究[J].路基工程,2012,(1):161-164.
[5]孙大洪,王发展,刘强,等.基于BP和RBF神经网络的滚动轴承故障诊断比较[J].轴承,2010,(2):53-56.
[6]孙德丰.MATLAB神经网络仿真与应用[M].北京:电子工业出版社,2009.
[7]朱奇,孙纪燕.液压挖掘机动臂优化设计[J].工程机械,2008,(9):34-36.
[8]黄美美,赵婷婷.液压挖掘机动臂有限元分析[J].设计与研究,2006,(8):19-22.
神经网络结构 篇11
[关键词] 网络层析成像技术 拓扑合并 “邻接”分组对 “三明治”分组列车
1引言
随着计算机网络的飞速发展,网络规模的日益膨胀,网络结构的日益复杂,为了更好的使用、管理和控制网络,必须要对网络的拓扑结构有充分的了解,这样才能对整个网络的链路情况有一个准确的判断。
当前有多种网络拓扑推断方法,如基于网络内部相关节点上采集有关数据的传统测量方法;也有基于端到端的网络拓扑推测方法,这种方法主要是利用端到端的报文丢失性能﹑端到端的链路延时等参数。
常规的拓扑推测方法是基于路由器或路由器协作的,通过分析来自网络内部资源的数据,生成Internet拓扑的报告,如基于SNMP的方法、基于Traceroute的方法和基于BGP路由表的方法。这些方法都需要网络内部节点的合作,只适合于在具有管辖权的网络范围内进行测量,而在实际网络中并不能满足要求;目前提出来的网络层析成像是基于端到端的技术来获取网络内部的特性,是利用边缘节点的测量数据而不需要网络内部节点的合作。
网络层析成像技术应用在网络拓扑推断中主要分为两个步骤:通过端到端的测量获得端到端的性能参数矩阵;根据端到端的性能参数矩阵推断网络的拓扑结构。
2单播网络中测量方法分析
单播网络中推断网络拓扑同组播网络一样需要获得网络的性能矩阵,当前常用的两种测量方法是邻接分组对和“三明治”分组列车,这两种测量方法都是由一个测量源和N个接收节点组成,通过判定算法生成树形结构的拓扑。
无论是在单播网络中还是在组播网络中,测量时都有两个假定条件:空间独立性,即测量数据包在不同链路上的时延是相互独立的;时间独立性,即同一链路上不同测量数据包的时延是相互独立的。只有在这两个假定都成立的情况下,所提出的以下测量方法才适用。
⑴ “邻接”分组对。“邻接”分组对由两个相同大小的分组组成,分组之间具有较小的时间间隔。两个分组从测量源点出发,目的端节点为两个不同的接收节点。在“邻接”分组对中认为两个分组经过相同的链路时具有相同的排队时延。通过“邻接”分组对可以获得不同节点对的性能相关情况,“邻接”分组对测量的性能参数包括丢包率和时延等。图1为“邻接”分组对测量。
⑵“三明治”分组列车。“三明治”分组列车由3个数据分组组成,两个短的数据分组中间夹着一个较长的数据分组,分组之间具有较小的时间间隔(基本可以忽略)。两个短分组具有相同的目的地址,长分组的目的地址和短分组的不同。通过“三明治”分组列车可以获得接收节点对之间的排队时延,从而获得节点对的共享路径延迟信息。图2为采用“三明治”分组列车的测量。
图 1邻接分组对图 2 “三明治”分组列车
3多源单播网络中拓扑合并方法研究
在网络逻辑拓扑的判定中,所获得的逻辑拓扑只是反映了源端点到接收端点之间测量得到树形的拓扑结构,而对网状的网络拓扑,却不能正确的反应实际的网络拓扑结构。而如果将以不同源端点测量所得的逻辑拓扑作合并处理,则可以得到一个更加接收于实际的网络逻辑拓扑,更加有利于对整个网络结构的分析与掌握。
在前面对于网络拓扑判定的研究中,由于采用了三明治测量方法,进行网络拓扑的测量。在端到端的测量中,可以得到两个测量主机之间共享路径的相关延迟属性,从而对逻辑拓扑进行判定。在下面的内容中,将对三明治测量方法进行改进,以获得每段路径的对应属性值,从而得到将不同端节点主机作为探测源而得到的拓扑结构进行合并的新方案。
⑴改进的“三明治”分组列车测量方法
在前面所述的三明治测量方法中,可以用称作三明治的探针进行测量,并根据测量结果进行网络逻辑拓扑判定,可以得到一个树型的网络拓扑。但真实的大规模网络中存在大量路由设备或其他的中间设备,它们构成的往往是网状结构的网络拓扑。为了能通过对多源网络进行测量,以获得更加接近实际的网络拓扑,研究中对测量方法进行了改进。
三明治测量方案中每个称作三明治的探针由三个包组成,它们分别发向两个接收节点,从而能够获得两个接收节点共享路径的信息。在图2中描述的这个探测方案中较大的探测包发给节点5,小的探测包发给节点3,从而获得△d表示中进行队列排队导致。每个节点对的度量为多次测量延迟的平均值。
在进行网络端到端的测量时,每次测量是任取两个端节点分别作为大的探测包和小的探测包的接收节点,从而获得它们之间共享路径上所产生的延迟属性,从而对拓扑进行判定。但逻辑拓扑判定完成时,可以得到每段共享路径上的延迟属性。
为了能够通过测量获得更接近真实网络拓扑,测量不仅限于只进行单个源的测量,而是以每次以一个测量端点为源,其他所有测量端点为接收端。由于以单个源进行测量,只能得到此树型拓扑中产生分支的路由设备。而进行多源的测量时,由于不同源到不同端点的路由会不相同,从而可以获得在某一单个源测量中所不能测量出的路由设备。这样进行多源的测量,以得到更多测量数据,可以对多个测量所得的网络逻辑拓扑进行合并,得到更加接近于真实的网络拓扑结构。
“三明治”测量方法中每个称作“三明治”的探针由三个包组成,它们分别发向两个接收节点,从而能够获得两个接收节点共享路径的信息;在多测量源网络中,可以选择将探针的三个包均发向一个目的节点,这样可以获得从源节点到目的节点整条路径的延迟测量数据。
⑵ 网络逻辑拓扑合并的方案描述
以图中的物理拓扑为例,在采用新的三明治探测方案中,以每个端节点为源分别进行测量,则得到了不同的逻辑拓扑结构,如图所示。
图3 5个探测端的物理拓扑结构 (左)
图4以节点1为源探测的逻辑结构(右)
图5 以节点2为源探测的逻辑结构(左)
图6 以节点3为源探测的逻辑结构(右)
图7 以节点4为源探测的逻辑结构 (左)
图8以节点5为源探测的逻辑结构 (右)
由于采用改进的三明治探测方案测量,可以得到每条链路与延迟相关的属性
值。根据测量可以得的从节点1分别到节点6、节点7和节点3,从节点2分别
到节点7、节点9和节点3,这些链路的属性值。由于这个属性是和延迟相关的,
随着链路长度增加,属性值也是单调增加的。所以根据属性值,可以容易的推断
出分别以节点1和节点2为源,到节点3所探测出的Y型拓扑结构的交叉点(节点7)。
进行合并时,可以把节点7作为基准点,将链路上其他的节点加入到合并的拓扑中来。从源节点1和源节点2到其他端节点路径合并都是基本的Y型拓扑,采用上述的分析方法,可以将图中其他节点的链路进行相同合并操作。这样就可以完成了两个由不同源探测产生的拓扑结构进行合并的过程。
根据以上所述,可以得到基于链路延迟属性的网络拓扑合并算法如下:
第一步:根据链路延迟属性矩阵,对两个源节点到同一端接收节点交叉节点进行定位。以两个源节点i,j到同一端接收节点集合〈k1,k2……kn〉产生的n个逻辑拓扑结构两两进行合并定位交叉节点。,
第二步:根据链路延迟属性矩阵,将端接收节点到分叉节点路径上的中间节点进行插入与定位。两两合并后利用延迟属性矩阵添加中间节点。
第三步:重复上述两步对所有端接收节点进行操作,直到网络拓扑所有的中间节点都得到了确定。
第四步:复制网络拓扑中所有已确定的中间节点之间的链路。
在通过改进三明治探测方法所得网络拓扑测量方案中,可以通过测量数据得到多个源所判定的多个网络逻辑拓扑结构,针对所有网络拓扑分别进行合并,则可以得到更加接近真实网络的网状逻辑拓扑结构。
4结论
利用该拓扑合并的方法对中间节点较多的大中型网络进行拓扑推测能得到包括中间节点在内的更加接近真实网络的逻辑拓扑结构。但是该方法也有需要进一步改进和研究的地方如:
①在大型网络中节点非常多,利用改进的“三明治”探测方法会产生更多的数据,延迟属性矩阵会变得更大,难于处理;改进:找到更好的改进的测量方法使延迟属性矩阵处在可控范围内
②在利用拓扑合并产生更加接近真实网络的网状逻辑拓扑结构时,对定位交叉节点数据结构的选择、对所有网络拓扑分别进行合并的算法选择都将是制约该方案实现的条件;改进:对拓扑合并算法的改进。
参考文献
[1] 李贵山,蔡皖东. 期刊:一种快速网络推测算法.计算机工程及应用.2008年11月
[2] 李贵山,蔡皖东. 期刊:基于网络断层扫描技术的网络拓扑推测方法研究.计算机工程及应用.2008年12月
[3] 赵洪华,陈鸣,仇小锋. 期刊:网络层析成像技术在网络拓扑推断中的应用. 电信科学.2008年第1期
[4] 张娅岚. 硕士论文:基于网络层析技术的拓扑重构技术研究.电子科技大学.2007年5月
[5] 张巍. 硕士论文:基于网络层析成像技术的网络拓扑推断研究与应用.华东师范大学.2007年5月
[6] 沈富可,常潘,张巍. 期刊:基于层析成像技术的网络拓扑判定研究. 厦门大学学报.2007年11月
神经网络结构 篇12
工程实际中大型结构的构造非常复杂, 加上结构中材料的非线性性质等因素的影响, 可靠性分析往往不能得到结构极限状态方程的明确表达式, 这时候, 即便是Monte-Carlo模拟 (MCS) 结合有限元分析方法可以解决此类问题, 但其工作量十分巨大, 经济性很差, 应用前景也因此受到了很大的限制。Bucher和Bourgund[1]建立的迭代插值响应面技术, 杨多和等[2]基于BP神经网络与张崎等[3]基于Kriging模型的结构可靠性分析方法, 为求解此类可靠度问题提供了有效的途径, 本文以径向基函数神经网络[4]为逼近器拟合极限状态曲面, 以优化方法求解可靠性指标, 结合算例说明了其实用性与优越性。
2. 径向基函数神经网络模型
径向基函数 (RBF) 神经网络是一种常用的3层前馈网络, 具有任意精度的泛函逼近能力, 而且具有最优泛函逼近特性和较快的收敛速度。对结构可靠性分析而言, 就是用其拟合的近似响应面来替代未知的真实的极限状态曲面y=g (x) , 然后结合优化方法求解结构的可靠性指标。
RBF神经网络模型的输入数据样本一般由试验设计技术结合有限元数值计算给出, 常用的试验设计方法有正交设计与中心组合设计, 样本数据表示如下
式中, XS和YS分别表示样本点变量矩阵和响应量矩阵, xSi和ySi为第i个样本点向量及对应响应值 (xSi∈Rn, ySi∈R 1) , M为样本点数, n为向量维度。
网络输出的数学表达形式可表示为
式中, P为隐单元即基函数的个数, θ为未知阀值, φP (x) 和λP分别为径向基网络的第p个基函数及其权系数。选取常用的高斯条函数作为基函数, 则φP (x) 表示为
式中, cp= (cp1, cp2, …, cpn) 和σp= (σp1, σp2, …, σpn) 分别为第p个基函数中心和方差。假设径向基网络中隐单元个数P已经确定, cp的选取常采用K—均值聚类算法, 它是循环的选取聚类中心cp与聚类集合ωp的一个迭代过程, 步骤如下:
1) 给出样本点XS如式 (1) 所示, 要求样本点数M大于隐单元个数P;
2) 初始化聚类中心, 可随机选XS中的P个样本点;
3) 将M个样本点XS按距离远近向聚类, 分成P组样本点, 即:如果, 则将第i个样本点xsi向中心cp聚类, xsi∈ωP;4) 计算P组样本点的样本均值, 作为新的聚类中心, 即
式中, MP是类ωp中的样本数。
5) 如果前后两次相同, 则停止, 否则转向3) 。
当输入向量x与所确定的基函数中心cp任一坐标接近时, 网络就可以作出有效响应。高斯条函数的方差固定为σ=[σ1, σ2, …, σn], 其中
式中Dmaxi为所选P个中心之间第i维的最大距离, 即
式 (2) 中待定权系数λ由最小二乘法得到
其中HN× (p+1) 为带偏移为1的以高斯条函数为基函数的样本点矩阵, 即
至此, 可由式 (1) 一组样本数据利用径向基函数神经网络模型拟合出近似极限状态方程 (x) 来, 每个输入向量x都有一输出与之对应。
3. 可靠性计算的优化方法
由于径向基函数对刻画局部性质较为有效, 而不适于对函数作大范围的逼近, 因此利用优化方法计算可靠性指标和结构设计点是利用径向基函数神经网络模型拟合极限状态函数的一个迭代求解过程, 一般步骤是 (假设每次迭代取个样本点) : (1) 取初始迭代点x (1) = (x1 (1) , …, xi (1) , …, xn (1) ) (一般取均值) ; (2) 由有限元数值模拟计算功能函数g (x1 (1) , …, xi (1) , …, xn (1) ) 以及g (x1 (1) , …, xi (1) ±σi, …, xn (1) ) 得到2n+1个点估计值, 为展开系数; (3) 以这2 n+1个样本点和估计值为基础, 利用径向基神经网络模型拟合出极限状态函数; (4) 利用优化方法求解验算点x* (K) 及可靠性指标β (K) , 上标K表示第K步迭代; (5) 计算|β (K) -β (K-1) |<ε (给定精度) , 如条件满足则计算失效概率P=Φ (-β (K) ) , 输出P和β, 否则, 插值得到新的展开点, 转 (2) 继续迭代。
根据经典的一次二阶矩理论, 可靠性指标β是在标准正态空间中从原点到极限状态曲面的最短距离, 对一个初始点x*及其由RBF神经网络模型确定的模拟响应值y*, 将x*标准正态化后得到其至原点的距离Distance*并将其设为最小化目标函数, 则可以建立求解如下的最优化问题来得到步骤 (4) 中的β
式中, ε*为给定模拟响应与真实响应之间的允许误差。
4. 数值算例
图1所示为一个三跨十二层建筑的平面框架结构计算简图。各单元弹性模量均为E=2.0×107kN/m2, 单元面积特性 (单位m2) μA1=0.25, μA2=0.16, μA3=0.36, μA4=0.20, μA5=0.15, 变异系数δ=0.1, 服从对数正态分布;单元截面惯性矩与面积之间的关系为Ii=αiAi2, 其中α1=α2=α3=0.08333, α4=0.26670, α5=0.20;载荷P (单位kN) 服从均值和标准差分别为30.0, 7.50的极值I型分布, 规范要求最大允许变形[u]=0.096m, 建立如下的极限状态方程:
其中, uA与随机变量的函数关系不能明确表示。取展开系数=1, 通过正交表L12 (36) 安排计算数据, 用ANSYS计算水平最大位移, 网络隐单元个数取P=8, 允许误差取ε*=10-3, 经过两次迭代得到计算结果如表1所示, 文献[5]利用二次响应面和重要抽样法跟文献[4]利用Kriging模型所得到的结果作为对比, 同样列在表1中。
从结果可以看出, 以2000次重要抽样法结果作为精确值, 基于径向基函数神经网络模型在41次有限元数值模拟就得到了十分精确的计算结果 (相对误差0.24%) , 其精度比二次响应面 (有限元模拟41次, 相对误差0.97%) 和Kriging模型 (有限元模拟70次, 相对误差0.58%) 高, 而且计算量要少, 计算效率高。
5. 结论
对工程结构极限状态方程不能明确表示的情况, 提出了一种新的基于径向基函数神经网络模型结合优化技术计算结构可靠度的方法。通过算例与经典二次响应面和基于Kriging模型结果对比, 表明了径向基函数神经网络模型具有较好的计算效率与较高的精度, 从而论证了所提方法的正确性与实用性。基于径向基函数神经网络模型与优化技术相结合, 为结构可靠性分析特别是提高大型结构系统可靠性分析的效率和精度提供了可行途径。
参考文献
[1]Bucher C G, Bourgund U.A fast and efficient response surface approach for structuralr eliabilityp roblems[J].Structural Safety.1990, 7:57-66.
[2]杨多和, 安伟光, 李铁均.基于人工神经网络的结构可靠性分析[J].兵工学报.2007, 28 (4) :495-498.
[3]张崎, 李兴斯.基于Kriging模型的结构可靠性分析[J].计算力学学报.2006, 23 (2) :175-179.
[4]Musavi M F, Walter G A.On the training of radial basis function neural network[J].Neural Networks.1992, 5 (3) :595-603.
【神经网络结构】推荐阅读：
变结构模糊神经网络07-29
动态结构BP神经网络06-16
BP神经网络在结构边界参数识别中的应用08-31
神经网络07-17
神经网络控制07-14
神经网络建模05-13
反向神经网络05-24
免疫神经网络06-26
神经网络信息08-31
细胞神经网络09-21