首页 理论教育神经网络方法在桥梁可靠度分析中的应用

神经网络方法在桥梁可靠度分析中的应用

【摘要】:人工神经网络在最近几十年里无论是在理论或是在应用上的研究都取得了很大的进展。此外,神经网络具备良好的泛化能力,相比传统的多项式响应面方法精度和效率更高。常规神经网络的结构如图3.1所示。图3.1神经网络示意图人工神经网络主要有以下几种较为常见的类型:反向传播-BP神经网络。BP网络是一种遵循误差逆向传播算法训练得到的多层前馈式网络,也是当前应用较广泛的ANN之一。

人工神经网络(Artificial Neural Network,ANN)在最近几十年里无论是在理论或是在应用上的研究都取得了很大的进展。相比二次序列响应面方法,神经网络无需给定结构功能函数就能够较好地拟合其响应面,避免了采用多项式不能捕捉到系统高阶响应的情况。求解原理与二次序列响应面方法类似,即通过训练一定数量的样本点,拟合出结构的响应面函数。此外,神经网络具备良好的泛化能力,相比传统的多项式响应面方法精度和效率更高。常规神经网络的结构如图3.1所示。

图3.1 神经网络示意图

人工神经网络(ANN)主要有以下几种较为常见的类型:

(1)反向传播-BP(Back Propagation)神经网络。BP网络是一种遵循误差逆向传播算法训练得到的多层前馈式网络,也是当前应用较广泛的ANN之一。BP网络能在未揭示映射关系的函数方程的前提下进行大量的学习和读写,输入和输出模式间的映射关系。采用最速下降法进行样本点学习,并通过反向传播来调整网络的权值和阈值,使得网络误差平方和最小。BP网络模型结构包括:输入层、隐含层及输出层。其特点为自定义多个神经元和隐含层,神经元过多会出现过拟合现象,误差随着节点数增多呈先减小后增大现象。

(2)径向基函数-RBF(Radical Basis Function)是多维空间插值的传统技术,由Powel于1985年提出。Broomhead将RBF应用于神经网络设计中,其隐含层能够变换输入矢量,将输入数据从低维变换到高维空间,在高维空间内线性可分,解决低维线性不可分问题,常用的高斯函数作为径向基。

总体来说,在数据充足的情况下,ANN能够实现函数的某映射关系的学习能力,且精度满足计算要求。BP网络需要手动设定网络隐含层和神经元个数,且随样本数据的增多,其学习效率会大大降低。RBF网络会根据学习过程产生的误差限值调整神经元个数,核函数为高斯函数,其非线性拟合能力较强,即使数据较少也能得到较高的计算精度。