神经网络的特性
前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络的特性范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。
神经网络的特性范文第1篇
1引言
在电路仿真中,电子器件的建模方法主要有物理模型法、宏模型法和神经网络法[1-2].所谓物理模型,就是根据电子器件的物理特性建立模型,但由于器件的参数只有通过生产器件的厂家才能获得,因此普通用户一般不采用此方法建模.宏模型是电路子系统的等效电路,以端点变量对原电路进行精确的描述.电路仿真标准软件PSpice中提供了多项式法、函数法和查表法等用于构造电路的宏模型,但多项式法和函数法都要求器件特性可以用多项式或函数来表达,而大多数电器件特性是不能写出表达式的;查表法则需要大量数据才能保证模型的精度.神经网络用于电子器件建模是近几年提出的新方法,已经用于隧道二极管[3]和传感器建模[4],但目前主要应用于具有简单非线性、可用单神经网络逼近的器件建模.本文针对具有复杂非线性的电子器件建模,提出了分段建模的方法,并应用于建立稳压二极管的电路仿真模型.
2单神经网络用于稳压二极管特性逼近
神经网络用于器件建模一般分为3个过程:a.获取被建模元件的输入输出数据,并作为神经网络的输入输出矢量;b.利用上述输入输出矢量对神经网络进行训练,按期望精度获得网络的权值和阈值;c.在Pspice中建立单个神经元和神经网络的模型.选取1N4732A稳压二极管作为研究对象,其伏安特性数据如（表略）对数据归一化处理后,选取具有单隐层的BP神经网络进行特性逼近,结果当隐层神经元个数为65个时,才达到精度要求.由于隐层神经元个数多,所建器件模型过于复杂,会造成仿真过程时间长甚至不收敛等现象.因此,采用单个神经网络无法建立满意的1N4732A稳压二极管模型.
3稳压二极管模型的分段建模实现
根据1N4732A的电压电流特性,将其分为正向特性曲线部分和反向特性曲线部分,并分别采用BP神经网络进行逼近.正向和反向训练结果分别（图略）为了适应神经网络训练,在反向特性训练前,先将电流值取反,在PSpice描述时再将电流取反即可.训练结果表明,对正向特性的逼近所需要的神经网络隐层神经元个数为4个,对反向特性的逼近所需要的神经网络隐层神经元个数为5个,作用函数均采用S型函数.将正向特性神经网络和反向特性神经网络分别在PSpice中进行描述[2-3],并采用如图3所示结构形成子电路,即完成建模过程.图中,SW1和SW2为电压控制开关,E1和E2为电压控制电压源,受节点1和2之间的电压控制;G(V5+V8)为电压控制电流源,其电流受节点5和8电压之和的控制.通过对SW1和SW2导通和关断电压的控制可以完成特性曲线的切换.为验证模型的有效性,在PSpice中,对该模型加一直流扫描电压,其伏安特性曲线如图4所示,符合精度要求.
神经网络的特性范文第2篇
关键词：仿生算法；神经网络；遗传算法
中图分类号：TP183文献标识码：Adoi: 10.3969/j.issn.1003-6970.2011.03.017
An Improved Algorithm of Bionic Research and Analysis
Yue Tong-sen, Wang Da-hai
(XinXiang Vocational and Technical Collage, Xinxiang 453000,Henan,China)
【Abstract】In this paper the bionic algorithm of neural network and genetic algorithm were analyzed and summarized, aimed at slow speed of neural network training, recognition efficiency low, and genetic algorithm the optimum choice premature convergence problem, combined with neural network method and genetic algorithms of their respective characteristics, puts forward the improved algorithm.Without the destruction of single neurons based on input weights, adopt data pretreatment methods to reduce the number of input layers, so as to improve the ability of evolutionary learning.
【Key words】Bionic algorithm; Neural network; Genetic algorithm
0引言
人工神经网络[1]和遗传算法[2]是仿生算法[3]的典型方法，它们的优化问题一直是众多研究者所倍为关注的研究热点之一。在人工神经网络和遗传算法结构的研究中发现，人工神经网络具有很好的模式分类的特性，遗传算法有很好的动态变更权值的特性，基于此，本文提出了一种改进的基于人工神经网络和遗传算法的算法。本章的改进算法，就是对人工神经网络和遗传算法进行了变换，增强了对输入权值的变化速度，并提出用减少输入层个数的方法是加快神经网络学习的有效方法，取得了良好的实验效果。
1神经网络和遗传算法的特究点
1.1神经网络和遗传算法的不同点
1．神经网络是多层感知机，而遗传算法是单层感知机。神经网络是由输入层，隐含层和输出层够成，但遗传算法的基因组是一个数组，不管基因的长度有多长，其结构仍然是一个单层感知机。
2． 神经网络的隐含神经元个数是不确定的，而输出层和输入层的个数是可以确定的。我们希望输入层的个数用新的方法得到降低，这样神经网络的训练速度就可以提高。同时对于隐含层的层数，一般情况设为1。每层的神经元个数也并不是越多越好，是要根据问题的情况而变动的。但神经网络的隐含层是不确定的，而且隐含层的个数也是不确定的。对于遗传算法，它的二进制的长度是可以确定的，但是交叉和变异的比例是变动的。对于单点交叉比例，我们可以设定为黄金分割点。虽然设定为黄金分割点作为单点交叉比例没有用数学方法严格的证明，但是，大量的实验表明，选择黄金分割点往往可以得到较好的结果。对于变异比例，没有交好的方法确定，只能设计交互式的实验来调试决定。
3．权值的更新方式不一样。神经网络的权值的更新方式是时时的，而遗传算法权值的更新方式是批量的。
4．两者应用的范围不一样。神经网络主要应用于模式匹配，错误诊断，监视病人的状态，特征提取，数据过滤。而遗传算法主要应用在计算机辅助设计，日程安排，经济学的投资研究等。
1.2神经网络和遗传算法的相同点
1．有教师的学习。神经网络的输出是有目标的，当然是确定的。同时对于遗传算法的目标也是确定的。所以两者都是有目标的，也就是有教师的学习。
2．随机近似优化过程。神经网络中，如果把网络的权值初始化为接近于0的值，那么在早期的梯度下降步骤中，网络将表现为一个非常平滑的函数，近似为输入的线性函数，这是因为sigmoid函数本身在权值靠近0时接近线性。同样，遗传算法的初始个体都是随机产生的，它的交叉和变异都是一个不断近似的过程。
3．并行化。神经网络的每个神经元是独立的，如果把每个神经元分配一个处理器，那么就可以采用并行的方式。同样，遗传算法很自然地适合并行实现，有粗粒度并行方法和细粒度并行方法。有粗粒度并行方法就是把群体细分成相对独立的个体群，称为类属，然后为每个类属分配一个不同的计算节点，在每个节点进行标准的GA搜索。细粒度并行方法就是给每个个体分配一个处理器，然后相邻的个体间发生重组。
2算法的研究及改进
结合人工神经网络和遗传算法的研究的本质，通过两种算法结合的研究及改进，提高算法的收敛速度，从大量的数据中模拟生物的特性来完成特定的任务和解决问题的方法和方向。由于遗传算法是单层感知机，而神经网络是多层感知机，所以可以从多层感知机的多层性，我们想象为遗传算法是单层感知机作为神经网络是多层感知机的输入层。这样，我们就可以采用遗传算法的动态变更权值的特性来对神经网络输入层有效性的遗传和变异。这种算法适合与没有输入，只有输出的应用，就像无人驾驶技术中控制行驶的速度和方向的控制一样。基本的框架如图1：
图1结合人工神经网络和遗传算法的框图
Fig.1 Combined with artificial neural network and genetic algorithm diagram
最上面的是智能体，神经网络的输出来控制智能体，控制中心将神经网络的权值用遗传算法的初始体来提供。
2.1遗传算法的基因作为神经网络的权值变量
遗传算法的基因的初始化必须要满足神经网络的输入要求，一般遗传算法的基因都是0，1编码。但是为了达到神经网络的输入要求，是要在（-1，+1）之间随机产生。
2.2遗传传算法中杂交点选择
遗传算法中，一般都是采用随机平均变异[4][5]的方式，但是如果输入是由遗传算法的基因提供的话，为了保证在变异的时候，采用标记变异的方法。我们可以首先根据图2的神经网络来考虑：
图2遗传算法作为人工神经网络和的权值图
Fig.2 Genetic algorithm as artificial neural network and the weights of figure
很显然，（0.3,-0.8,-0.2）是神经元1的权值 ；(0.6,0.1,-0.1)是神经元2的的权值；(0.4,0.5) 神经元3的权值。为了在遗传算法中的杂交过程中，不破坏每个神经元的权值个数，特意标记（3，6）所在的箭头。
2.3引入神经网络输入层的数据预处理
神经网络的计算问题是神经网络应用中最为关键的问题。如何提高网络的训练速度是算法研究的重点。我们在思考问题的时候，总是希望问题越简单越容易解决。同样，我们也可以通过对数据的预处理，来降低问题的难度。
为了减少输入层的个数，我们可以先对数据进行预处理。预处理的方法为如下流程：
（1）.计算机器人前进方向Position(x,y)和目标的所在的位置Location(x,y)。
（2）.归一化Position(x,y) 和Location(x,y)。
（3）.用点乘的计算公式计算两者点乘。
（4）.用符号重载的方式计算是顺时针还是相反。
（5）.计算角度=第3步的结果*第4步的结果。
3实验结果及分析
3.1实验框架
将本算法应用于扫雪机器人的智能控制中，设计的主要模块：
3.1.1神经网络部分的设计
神经网络的输入由四个变量组成：扫雪机器人方向向量（由两个变量组成，即在X和Y的分量），发现目标，即雪的向量（由两个变量组成，即在X和Y的分量）。神经网络的隐含层由一层组成，而且由10个神经元。神经网络的输出由两个变量组成，V1和V2，分别作用在机器人的左轮和右轮上。神经网络的响应函数采用SIGMOD。
3.1.2遗传算法部分的设计
遗传算法的初始化是为神经网络提供权值，所以是由[-1，1]随机数产生。遗传算法的变异是采用随机变量的变异，选择采用轮转法。
3.1.3扫雪机器人
扫雪机器人用神经网络来控制，当找到目标后，它的适值就加一。这样就随着发现目标越多，它的适值就越大。学习能力是通过不断的学习后，它的适值就会加强。如果直接采用机器人前进方向和目标的所在的位置，那么神经网络的输入为四个变量。
3.2结果与分析
如果直接采用机器人前进方向和目标的所在的位置，那么神经网络的输入为四个变量。通过对扫雪机器人的学习过程，没有进行预处理的数据，即四个变量输入神经网络后的参数设定：神经网络的输入为4，神经元为6个，输出个数为2个，如图3所示：
图3网络的参数设定图
Fig.3 Network parameters set figure
我们设定初始的适值为0，如果发现一个目标后，它所对应的适值就加上1，这样经过50次的进化后，没有进行数据预处理的最大值是25，平均值是10.1333。如表1所示：
将50次的统计结果用柱状图进行对比,如图4所示。
图4进化50代后的加入数据预处理和没有加入预处理的对比图
Fig.4 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
为了减少输入层的个数，我们可以先对数据进行预处理下面，用统计的方法对数据进行的结果分析，如表2所示。
将进化100代后，对比两者的对比柱状图如图5所示。
图5进化50代后的加入数据预处理和没有加入预处理的对比图
Fig.5 After 50 generation data preprocessing and did not join joined the pretreatment of contrast diagram
实验结果表明，为了减少输入层的个数，先对数据进行预处理。通过对扫雪机器人的过程的数据分析进行分析，数据预处理后的智能进化学习能力相对于原始数据的智能进化学习能力有明显的提高。
4结束语
本文提出了基于神经网络和遗传算法结合的改进算法，对于遗传算法的变异操作进行改进，不会破坏单个神经元的输入权值的基础上，采用数据预处理的方法来减少输入层的个数，从而提高进化学习的能力。从实验数据中可以看到，本章提出的改进算法加快了学习速度，达到了提高智能学习的预期
目的。
参考文献
[1] 乔俊飞，韩桂红．神经网络结构动态优化设计的分析与展望[J].控制理论与应用，2010,3(13):350-357.
[2] 葛继科，邱玉辉,吴春明，等．遗传算法研究综述[J].计算机应用研究,2008,10(9):2911-2916.
[3] 丁建立，陈增强，袁著祉．智能仿生算法及其网络优化中的应用研究进展[J].计算机工程与应用，2003,12(3):10-15
[4] 巩敦卫，等．交互式遗传算法原来及其应用[M].北京:国防工业出版社,2007.
神经网络的特性范文第3篇
关键词：煤灰结渣；BP神经网络；RBF神经网络
1前言
结渣是在锅炉内烟气侧受热面出现的严重影响锅炉正常运行的故障现象，其主要由烟气中夹带的熔化或部分熔化的颗粒碰撞在炉墙，水冷壁或管子上被冷却凝固而形成。结渣主要以粘稠或熔融的沉淀物形式出现在辐射受热面上，如水冷壁、水排管、防渣管、过热器管排等[1]。
本文为了有效地克服单一指标分类界限过于明显的问题。采用现研究领域比较广泛采用多指标综合评价方法，利用模糊数学对结渣进行评判，从而可以更好的解决单一指标所造成的分界过于明显和准确率偏低的缺陷[2]~ [3]。
2影响煤灰结渣特性的因素分析
灰分是由金属氧化物和非金属氧化物及其盐类组成的复杂物质，以SiO2和Al2O3为主，主要有Fe2O3、CaO、MgO、TiO2、SO3、Na2O和K2O等。可将灰中各氧化物分成两类：一类为酸性氧化物，即SiO2、Al2O3；另一类为碱性氧化物，即Fe2O3、CaO、MgO等。对于灰的结渣性能来说，灰的熔融特性是应特别予以关注的，煤灰没有固定的熔化温度，仅有一个熔化范围。在锅炉设计中，大多采用软化温度ST作为灰的熔点。根据灰熔点的高低，把煤灰分成易熔、中等熔融、难熔、极难熔。而灰黏度是表征高温熔融状态下灰的流动特性，通常根据牛顿摩擦定律，采用黏度计测定[4]。
3多指标神经网络模型的建立
3.1四种指标综合对比分析
(1)硅比G
G=SiO2×100/(SiO2＋CaO＋MgO＋当量Fe2O3)%(21)
式中，当量Fe2O3＝Fe2O3＋1.11FeO＋1.43Fe。
表21 硅比G判断结渣性的判别界限
（2）硅铝比（SiO2/Al2O3）
硅铝比中SiO2和Al2O3是煤中主要酸性氧化物，Al2O3的增加总是使灰熔点上升，而SiO2的影响则具有双重性，一方面SiO2较容易与键性成分形成低熔点化合物，降低煤灰熔点，另一方面SiO2含量高时，SiO2本身又会使灰熔点上升。用硅铝比判断煤结渣倾向的界限为：
①SiO2/Al2O3＜1.87,轻微结渣；
②SiO2/Al2O3＝2.65～1.87中等结渣；
③SiO2/Al2O3＞2.65,严重结渣。
（3）铁钙比（Fe2O3/CaO）
美国近年来用钙铁比作为判断烟煤型灰（Fe2O3＞CaO＋MgO）的结渣指标之一，推荐的界限为[5]：
①Fe2O3/CaO＜0.3，不结渣；
②Fe2O3/CaO=0.3～3,中等或严重结渣；
③Fe2O3/CaO＞3，严重结渣。
（4）酸碱比
B/A=(Fe2O3+CaO+MgO+Na2O+K2O)/(SiO2+Al2O3+TiO2) (22)
酸碱比中分母为酸性化合物，分子为碱性化合物，在高温下，这两种氧化物会互相作用形成低熔点的共熔盐，这些盐类通常具有较固定的组合形式，因此当煤灰中的酸碱比过高或过低时，灰熔点都会提高。使用碱酸比来判断灰结渣倾向时，推荐的界限值如表22所示
表22酸碱比判断结渣倾向界限值
3.2神经网络模型
神经网络模型的运算是以MATLAB软件为平台的，MATLAB是Math Works公司推出的一套高性能的数值计算可视化软件，MATLAB具有以下的特点：(1)功能强大；(2)界面友善、语言自然；(3)开放性强[6] [7]。
（1）BP神经网络
在进行BP神经网络设计时，需要考虑以下问题：网络的拓扑结构（隐层的层数及各层的神经元的数目）；神经元变换函数的选取；网络的初始化（连接权值和阈值的初始化）；训练参数设置；训练样本的归一化处理；样本数据导入方式等。
根据以上分析可知，针对本文内容，BP网络的建立可以分为4个基本步骤：
（1）网络建立。网络的输入层为熔融温度和混煤煤灰成分含量（即混煤煤灰中的各氧化物含量），此输入层有4个神经元节点，煤灰的软化温度t2、碱酸比B/A、硅铝比、硅比 G作为输入的TT矩阵的4个神经元节点，模型选用30个已知实验数据作为网络的训练样本，并对数据进行预处理，使其在[-1,1]的区间内。网络系统初始采用4个输入节点，16个、20个、25个、30个隐层节点及3个输出节点，其运行残差曲线如图1所示。
（2）初始化。创建网络对象时自动调用初始化函数，根据缺省的参数对网络进行连接权值和阈值的初始化。
（3）网络训练。设置网络训练参数。初始设置学习率为默认值，训练目标为0.001，最大训练次数为5000次。
（4）网络仿真。它根据已训练好的网络，对测试数据进行仿真计算。
BP神经网络（16节点）
误差分析图
b）BP神经网络（20节点）
误差分析图
BP神经网络（25节点）
误差分析图
d)BP神经网络（30节点）
误差分析图
图1BP神经网络模型残差分析图
（2）RBF神经网络模型
同BP神经网络一样，使用RBF神经网络进行预测，首先要根据实际使用问题确定网络结构和设计合理的输入输出模式，然后利用输入输出样本集创建并训练网络，以使网络实现给定的输入输出之间的映射关系。
在MATLAB环境中创建RBF预测神经网络和使用该网络进行预测的基本步骤可以描述为以下几步：
Step l：设计输入输出模式。主要包括特征量的选择、适合网络输入和输出的输入变量与输出变量的设计、样本数据的预处理等操作。
Step 2：创建并训练网络。确定径向基函数的分布密度SPREAD的值，调用newrb函数创建RBF神经网络。RBF神经网络的创建过程就是训练过程，创建好的网络net已经是训练好了的网络。
Step 3：测试和修改网络。调用Sim函数测试网络，如果输出结果与实际值误差过大，必须根据实际情况重新选择样本数据、重新选择SPREAD值或调整网络结构，最终残差曲线如图2所示。
Step 4：使用网络进行实际预测。
图2RBF神经网络残差分析图
（3）两种神经网络模型诊断结果对比分析
下表给出了两种神经网络模型对锅炉结渣的预测情况与实际情况的对比结果，在MATLAB的运行结果中去除一部分无效的结果，可以得到预测结果的准确率，详细结果如下：
表1预测结渣情况与实际结渣情况对比及预测准确率
从表1中可以看到，在RBF神经网络中预测的准确率可达到86.7%，而在BP神经网络中随着隐藏节点数的增加，预测结渣情况的准确率也在增加，而RBF网络模型预测结渣情况的准确率则好于BP神经网络模型隐藏节点为25时的情况。所以在实际预测中应在设计时通过不断实践加以选择，以减小预测误差。
预测值和实际测量值之间的误差，其产生原因主要包括以下几个方面：其一，用于网络训练和预测的样本值虽然都来自现场的数据，但都是实验测量得到的，因此难免存在测量误差；其二是网络本身带来的误差，毕竟人工神经网络只是用来研究燃煤特性的一种工具，不可能完全反应复杂多变的现实世界，况且目前人工神经网络技术本身发展并不完善。其三，网络本身影响误差的因素较多，比如算法和参数的影响。
4 结论
本文以根据煤灰成分来实现预测煤灰结渣情况为目的，结合神经网络理论、预测理论，研究了基于BP神经网络和基于RBF神经网络预测方法及其应用。通过对比分析得出以下结论：
（1）多指标神经网络模型更有利于对煤灰结渣特性的准确分析，对比BP神经网络和基于RBF神经网络两种模型的分析结果，BP神经网络的结果更接近实际值。
（2）当隐藏节点增加时，两种神经网络模型的诊断率随之升高，当隐藏节点数达到30时，BP神经网络模型的诊断率达到最高。
（3）在对RBF神经网络原理、结构和RBF算法进行分析研究的基础上，给出了基于BP、RBF神经网络的预测方法的MATLAB运算。
参考文献
姚星一．煤灰熔点与化学成分的关系．燃料化学学报，1965，6（2）：151～161
神经网络的特性范文第4篇
关键词：BP神经网络；非线性函数；拟合；收敛
中图分类号：TP18文献标识码：A文章编号：1009-3044(2012)27-6579-05
Nonlinear Function Approximation Based on BP Neural Network
ZHANG Bao-kun1, ZHANG Bao-yi2
(1.China Nuclear Control System Engineering Co.,Ltd, Beijing 100076, China; 2. Shenzhen Speedy-Tech Electronics Co., Ltd, Shenzhen 518004, China)
Abstract: This paper introduces the features and algorithm theorem of BP neural network, and deduces the update rules of the network weight based on a given BP neural network. According to several problems of BP neural network, suggestions are pro? vided for these problems. Applicability of BP neural network for nonlinear function approximation is verified by simulations, and the accuracy can be guaranteed.
Key words: BP neural network; nonlinear function; approximation; convergence
BP(Back Propagation)神经网络是1986年由Rumelhart和McCelland提出的，它是一种误差按反向传播的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络具有非常强的非线性映射能力，能以任意精度逼近任意连续函数，因此在人工智能的许多领域都得到了广泛的应用。
通常，BP算法是通过一些学习规则来调整神经元之间的连接权值，在学习过程中，学习规则以及网络的拓扑结构不变。然而一个神经网络的信息处理功能不仅取决于神经元之间的连接强度，而且与网络的拓扑结构（神经元的连接方式）、神经元的输入输出特性和神经元的阈值有关，因而神经网络模型要加强自身的适应和学习能力，应该知道如何合理地自组织网络的拓扑结构，知道改变神经元的激活特性以及在必要时调整网络的学习参数等。[1]图1多层神经网络结构
图1中给出的多层神经网络输入层有n个神经元，隐含层有l个神经元，输出层有m个神经元。其中wij是输入层第i个神经元和隐含层第j个神经元之间的连接权值，wjk是隐含层第j个神经元和输出层第k个神经元之间的连接权值。对于输入层神经元，其作用函数取线性函数，即神经元的输出等于输入。隐含层和输出层神经元的输入分别是上一层神经元输出的加权和，且每个神
在以下仿真实例中，BP网络为有监督学习，训练输入样本为input=[1 2 3 4 5 6 7 8 9 10 11 12 13 14],输出样本output=[1 2 3 6 11 16 19 24 25 29 32 33 36 42],隐含层节点数为6，网络最大训练次数为1000次，学习率为0.005，输入层到隐含层的初始权值W1以及隐含层到输出层的初始权值均为-0.1至0.1范围内的随机数，仿真结果如下两图所示：图3 BP神经网络拟合误差曲线
图2中的虚线为BP网络对测试数据的拟合曲线。实验结果表明，BP神经网络能有效拟合非线性函数，若增加隐含层节点数则能进一步提高拟合精度，但是会加大计算量，影响训练速度。
本文首先介绍了BP神经网络的原理以及网络权值的修正规则，然后通过编程实现BP神经网络，并将之应用到非线性函数的拟合。实验结果表明，BP神经网络能很好的拟合非线性函数，参数的选择对网络的性能影响很大。
[1]何伟,谭骏珊,王楚正,等.BP神经网络的改进算法及应用[J].信息与电脑,2009(10):34-36.
[2]程森林,师超超.BP神经网络模型预测控制算法的仿真研究[J].计算机系统应用,2011，20(8):100-103.
[3]周永进,蔡惠华,尹逊震,等.改进的BP网络及其在数据预测中的应用[J].微计算机信息,2007,23(27):150-151.
[4]夏玫.BP神经网络泛化能力改进研究[D].太原科技大学,2009.
[5]王爽,张鹰,吕瑞霞.BP神经网络的算法改进及应用[J].电脑知识与技术,2009,15(4):933-935.
神经网络的特性范文第5篇
关键词：重力坝；径向基神经网络；损伤识别；输入参数
引言
结构工程在使用较长时间后往往会产生不同程度的损伤，使得结构的安全性和耐久性降低，因此迫切需要寻找到高效准确的损伤识别方法，对损伤结构进行维修加固。结构出现损伤后自身的某些特性也随之发生变化，许多问题涉及非线性变化，变量之间的关系复杂，难以用确切的数学、力学模型来解决。基于神经网络的结构损伤诊断方法不需要结构动力特性的先验知识，在非线性模式识别和分类具备很强的非线性映射能力，因而广泛运用在结构工程实际问题研究中，如大型空间网架结构，桥梁结构，多层及高层框架结构，地下隧道，海洋平台等方向。神经网络方法不但具有处理数据的能力，且具备对知识的学习和记忆的能力，能够滤出噪声干扰正确识别结构损伤信息，Wu[1]早在1992年就证明神经网络是结构动力学系统识别的有效工具。对于独立构件和简单模型的损伤检测现在已有许多研究，但针对大型复杂的实际工程，现有的研究仍然不够，它们的健康诊断和损伤识别无法从单一结构特征物理量反应的损伤信息中得到推断，损伤识别的结果受到如何选定神经网络输入参数及其表达形式的影响，因而需要获得结构的多种特征物理量，利用这些数据结合神经网络方法对结构进行损伤诊断，确定输入参数时尽量选择对结构影响大的特征量。
混凝土大坝发生损伤其动力特性也会随之改变，由于大坝结构的老化、损伤对动态参数的敏感度低于机械故障诊断中动态参数的敏感度，对测试技术和分析水平要求高，已有学者选用基于结构动力特性的神经网络损伤识别对大坝结构进行损伤诊断。文章通过分析参数的敏感性，针对适用于重力坝损伤识别的高敏感性参数的选取展开研究。
1 神经网络方法
人工神经网络（Artificial Neural Network，简称神经网络或ANN）是对人脑或自然神经系统若干基本特征的抽象与模拟，由大量神经元广泛互连而成，它不但具有处理数值数据的一般计算能力，还具有处理知识的思维、学习、记忆能力，广泛应用于许多领域[2]。
相比于其他神经网络方法，径向基神经网络有明显优势，它具有结构简单、训练便捷、迅速收敛、高度非线性映射能力、不易陷入局部最小等优点，能逼近任何非线性函数。它是以函数逼近理论为基础而构造的一类三层前向网络，它包含输入层、隐含层和输出层。输入向量x的维数对应输入层的每一个输入节点，将单元知识传递输入信息到隐含层，隐含层的每个隐含节点对应一个训练数据点，隐含节点与输出层中每个线性单元连接。
2 输入参数的选择
在目前对结构进行健康监测和损伤识别的各种方法中，利用动态特性分析法进行损伤检测最为广泛应用，针对不同结构选择合适的模态数据或其导出值，影响着损伤检测的难易程度和检测结果的准确性。模态性质（如固有频率、振型模态和曲率模态）是结构物理参数的函数，结构发生损伤，这些模态性质就会随之产生相应的变化；在损伤识别中，输入参数应该能够敏感地反映结构损伤，因此输入参数的选择对控制神经网络的输出结果精度尤为重要。
经常选用特征物理量作为神经网络输入参数的有：振动响应信号、位移、应变、速度、频率、频率变化比、模态、曲率等。采用不同的输入参数或参数组合，对损伤敏感性的影响不同，大量损伤诊断研究都选用结构频率作为损伤指标，但有学者研究证明模态频率对损伤并不敏感[3]，任意两阶模态的频率变化率，仅仅与损伤位置有关，与损伤程度无关。范进胜[4]采用振型曲率比作为输入参数，试验讨论得到该种方法可以准确识别出结构的损伤位置，对损伤程度的大小也能做出比较。瞿伟廉[5]采用损伤前后应变模态差作为输入参数，应变模态对结构局部损伤较为敏感，能直接反映结构的损伤状态。鞠彦忠[6]采用固有频率、第一振型模态、振型、作为输入参数，得出振型对损伤位置的变化比频率敏感，损伤引起的变化高阶频率比低阶频率更敏感，固有频率的改变对位于下部杆件的损伤比对上部更敏感。万小朋[7]以悬臂梁的损伤识别为例，固定端的振型变化受结构损伤的影响更大，不同位置和不同程度的损伤使得结构第一阶振型改变率发生明显变化，验证了采用第一阶振型改变率作为输入参数可用于识别小损伤，在试验中获得结构的第一阶振型操作简单，容易实现，测量误差较小。张刚刚[8]采用参数频率、振型模态、曲率模态三种指标作为输入参数，对斜拉索损伤进行研究，得到振型与曲率为输入参数对损伤识别获得良好效果，其中曲率模态对桥梁损伤的敏感度最高。韩西[9]把结构损伤识别问题分为损伤判断、损伤定位、损伤程度三个阶段，定位损伤采用位置的频率变化平方比作为输入参数，判别损伤程度的频率变化比作为输入参数，证实了该方法具有较好的识别效果。
在已有研究的基础上，文章利用径向基函数神经网络对重力坝损伤识别展开研究，提出将结构固有频率和固定点模态分量组合作为输入参数，对比选用不同输入参数的输出损伤信息。
3 数值模拟分析
数值模拟分析选取武都大坝19#右岸非溢流坝段为例进行研究，将模型结构进行简化，假定坝体材料为弹性体，在坝体上游面模拟动水压力，选用ABAQUS有限元软件建立二维有限元模型。为简化计算选取大坝震后易损伤的坝颈段下游面划分为多个区域，设置水平裂缝模拟大坝结构损伤状态。选择训练样本时要将损伤情况尽可能包含在内，综合考虑选择在距坝顶2/19，2.33/19，2.67/19，3/19，3.33/19，3.67/19，4/19坝高处，用大写字母A、B、C、D、E、F、G表示七类不同位置的裂缝，每处裂缝分为7种损伤程度，分别为该处坝体截面的宽度的0.1、0.2、0.3、0.4、0.5、0.6倍，共得到43组训练样本，获得大坝结构不同损伤情况下的动力特性（如图1）。
神经网络输入参数分为三个对照组，Ⅰ组选取结构前八阶固有频率，Ⅱ组选取八个指定点的一阶模态水平分量，Ⅲ组选取结构前四阶固有频率和四个指定点的一阶模态水平分量。神经网络理想输出参数为（ya，yb，yc，yd，ye，yf，yg），yx表示结构在x的损伤量，例如（0，0， 0，0.35，0，0，0）表示损伤发生在结构下游面D处，程度为0.35。
将各组选定的特征物理量作为网络的输入向量，结构损伤状态作为输出参数，建立损伤分类训练样本集，将样本集送入神经网络进行训练，得到结构特征物理量变化与损伤状态之间的映射关系。选取四种样本用来测试该方法对于损伤的识别精度，对比各对照组的神经网络输出结果（如表1）。
对以上三组损伤识别结果，对损伤位置识别效果和损伤程度识别误差进行分析，得到以下结论：采用频率变化率作为输入参数容易获得，训练速度快，能准确识别损伤位置，对识别程度识别结果误差较大。采用固定点第一节模态水平分量作为输入参数训练速度较慢，能够精确识别损伤位置，且损伤程度识别结果较为准确。采用将二者结合的组合参数作为输入参数训练神经网络，相对于其他两组该方法具有明显优势，能准确识别出损伤位置、识别损伤程度，有良好的损伤识别精度。
4结束语
文章通过对理论分析和武都大坝结构的数值模拟分析，对比几组不同输入参数的神经网络损伤识别结果。结构的固有频率是容易获得，与测量位置无关且测量精度高，将结构固有频率作为输入参数反映了结构整体动态特性，但它对结构特征的局部变化不够敏感。将结构模态振型作为输入参数，有很好的识别精度，但该方法不易判断振型节点附近的损伤，应针对具体情况选择合理的分析点。
将组合参数的方法用于重力坝损伤识别，结合二者优点，避开单一输入参数带来的缺陷，具有良好的识别效果，识别精确度和神经网络训练速度明显优于单一输入参数，可进一步检验该方法用于实际结构的有效性。
参考文献
[1]朱宏平.结构损伤检测的智能方法[M].人民交通出版社，2009.
[2]Wu X，Ghaboussi J，Garrett Jr J H. Use of neural networks in detection of structural damage[J].Computers & Structures，1992，42（4）：649-659.
[3]Cawley P，Adams R D.The location of defects in structures from measurements of natural frequencies[J].Journal of Strain Analysis，1979；14：49-57.
[4]范进胜，杜守军.利用神经网络进行框架结构损伤识别的研究[C]//第14届全国结构工程学术会议论文集（第三册），2005.
[5]瞿伟廉，陈伟.多层及高层框架结构地震损伤诊断的神经网络方法[J].地震工程与工程振动，2002，22（1）：43-48.
[6]鞠彦忠，阎贵平，陈建斌，等.用小波神经网络检测结构损伤[J].工程力学，2003，20（6）：176-181.
[7]万小朋，李小聪，鲍凯，等.利用振型变化进行结构损伤诊断的研究[J].航空学报，2003，24（5）：422-426.
