基于GA—BP神经网络的Benchmark模型损伤识别研究
户籍所在地基于GA—BP神经网络的Benchmark模型损伤识别研究
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。
衣柜尺寸标签：遗传算法；神经网络；Benchmark模型；损伤识别
虎字的成语
0 引言我做了一项小实验作文300字
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
叶公好龙告诉我们什么道理>好看的鬼片推荐
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。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。