对神经网络的理解范例6篇

前言:中文期刊网精心挑选了对神经网络的理解范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。

对神经网络的理解

对神经网络的理解范文1

面对复杂的建筑经济管理问题,以往的大多数管理预测方法的应用弊端也逐渐体现出来。而利用神经网络则可以解决复杂的非线性问题,继而可以用于解决复杂和多样的建筑经济管理问题。因此,有必要对神经网络在建筑经济管理中的应用问题展开研究,继而更好的应用该理论解决建筑经济管理问题。

1神经网络与建筑经济管理

作为重要的人工智能分支领域,神经网络是用来处理非线性问题的有效工具。在特性上,神经网络具有较好的非线性映射能力,并且具有较好的适应性和容错性。在应用神经网络进行问题的计算时,不需要先验模型就可以直接从数据中获得学习规律。所以,可以用神经网络解决一些传统数学方法难以解答的问题,也可以完成对建模困难的复杂问题的处理。所谓的建筑经济管理,其实就是对建筑活动进行有效的预测和控制。在这一过程中,需要完成对建筑活动的真实描述和分析,并利用规律完成对各种现象的合理解释。但在实际工作中,建筑经济管理将涉及大量的变量,并且大多变量具有模糊性。在这种情况下,变量与常量之间常常体现出非线性的关系,继而难以利用传统数学解析式完成对变量的合理解释。而就目前来看,在建筑经济管理方面,利用神经网络可以解决管理中的复杂问题的处理。在工程造价预测、经济预警和招投标等多个方面,神经网络都具有较好的应用前景。

2建筑经济管理中的神经网络的应用

2.1在造价预测方面的应用

在建筑工程造价预测方面,神经网络可以应用于工程费用的估计。利用BP网络可以构造出工程成本预测模型,并真实完成对工程生产、管理等各个环节活动的模拟。而通过分析成本的各种组成,并完成对工程价值链构成的跟踪,则可以适应工程的成本变化,继而完成对工程造价成本的预测。就目前来看,已经有工程实例对神经网络在造价预测方面的应用进行了验证,而其取得的应用效果显然要好于传统方法。在应用神经网络进行工程估价时,可以利用网络的“特征提取器”完成对工程特征的提取。从大量的工程资料中,神经网络可以找出预算资料与工程特征之间的规律关系,并且完成对其它因素造成的资料偏差的纠偏,以便确保预测结果的有效性。此外,由于神经网络采用的是并行方式进行数据的处理,所以其能够尽快完成工程造价预测,继而满足建筑工作的造价分析需求。而利用神经网络完成工程造价预测,则可以帮助建筑承包商更好的完成项目资金的管理,继而避免出现资金短缺等问题。

2.2在风险预警方面的应用

在建筑管理活动中,将存在财务风险、金融风险和市场风险等多种风险,继而使建筑经济管理具有一定的风险性。而利用神经网络可以完成对风险的预警,继而使建筑经济管理的风险性得到降低。在利用神经网络进行工程经营风险和收益的评估时,神经网络系统可以算作是一种投资决策工具。具体来讲,就是需要对神经网络的非线性映射和模式分析能力进行利用,以便建立动态的风险预警系统。在此基础上,则需要将风险来源因素当做是系统的输入单元,继而得出相应的风险等级,并得出风险可能出现的区间。而输入的风险来源因素有多种,如项目复杂程度和不可预见因素等等。就现阶段来看,一个风险预警系统需要由多个神经网络构成,比如建筑项目投资风险预警系统就由多个ART网络、BP网络和一个MAXNET网络构成。

2.3在工程投标方面的应用

在激烈的市场竞争环境中,建筑企业需要提前分析出影响工程项目投标决策的因素,以便在竞争中取得胜利。而涉及的因素包含了市场条件、竞争对手情况和工程情况等多个领域的内容,并且因素本身多为模糊变量,所以很难确定因素对投标报价的影响。但是,利用神经网络则可以根据以往相似工程信息分析出因素与投标报价之间的关系,继而完成对工程报价的推理。而承包商根据这一推理结果,则可以确定需要采取的投标策略。同时,结合工程造价预测结果,承包商则可以完成对投标价格的确定,继而获得更大的竞争优势。就目前来看,神经网络在工程投标管理方面已经取得了一定程度的应用,有关的工程投标报价决策支持系统和招投标报价专家系统已经得到了提出[4]。通过将管理费率、竞争对手情况和市场条件等因素输入到系统的输入层,则可以得出工程投标报价的报价率。

2.4在其他方面的应用

除了以上几个方面,神经网络在建筑经济管理的其他很多方面都可以得到应用。首先,在建筑企业管理者制定经营决策时,神经网络可以为管理者提供决策支持。就目前来看,虽然可以利用统计学模型帮助管理者制定决策,但是这些方法无法处理数据不完整的复杂非线性问题。而神经网络可以从不可预见的数据中总结规律,继而为管理者解决复杂问题提供决策支持。其次,想要降低建筑工程成本,还要使工程资源得到优化配置。但就目前来看,没有数学模型可以完成对设计变更和设备条件等各种要素的影响效果的分析,继而难以帮助管理者合理配置建设资源。而神经网络可以完成对资源的预测,并确定资源的优先级,继而可以帮助管理者优化资源配置。此外,利用神经网络可以完成对已有数据和信息的全面分析,继而帮助管理者选择建筑材料、设备和施工方法。

3结论

对神经网络的理解范文2

本文主要介绍的模型和算法都是数据挖掘中最常见的和应用最广泛的,在计算机科学、统计数学、和人工智能领域的科学家们已经在研究和改进这些算法方面作了大量的工作。

【关键词】

数据挖掘;算法;神经网络

1 神经网络的应用

神经网络近来越来越受到人们的关注,因为它为解决大复杂度问题提供了一种相对来说比较有效的简单方法。神经网络可以很容易的解决具有上百个参数的问题。神经网络常用于两类问题;分类和回归。

在结构上,可以把一个神经网络划分为输入层、输出层和隐含层(见图1)。输入层的每个节点对应一个个的预测变量。输出层的节点对应目标变量,可有多个。在输入层和输出层之间是隐含层,隐含层的层数和每层节点的个数决定了神经网络的复杂度。

图1 一个神经元网络

除了输入层的节点,神经网络的每个节点都与很多它前面的节点(称为此节点的输入节点)连接在一起,每个连接对应一个权重Wxy,此节点的值就是通过它所有输入节点的值与对应连接权重乘积的和作为一个函数的输入而得到,我们把这个函数称为活动函数或挤压函数。如图2中节点4输出到节点6的值可通过如下计算得到:

W14*节点1的值+W24*节点2的值

神经网络的每个节点都可表示成预测变量(节点1,2)的值或值的组合(节点3-6)。注意节点6的值已经不再是节点1,2的线性组合,因为数据在隐含层中传递时使用了活动函数。实际上如果没有活动函数的话,神经元网络就等价于一个线性回归函数,如果此活动函数是某种特定的非线性函数,那神经网络又等价于逻辑回归。

调整节点间连接的权重就是在建立(也称训练)神经网络时要做的工作。最早的也是最基本的权重调整方法是错误回馈法,现在较新的有变化坡度法、类牛顿法、Levenberg-Marquardt法、和遗传算法等。

图2 带权重Wxy的神经元网络

决定神经网络拓扑结构(或体系结构)的是隐含层及其所含节点的个数,以及节点之间的连接方式。要从头开始设计一个神经网络,必须要决定隐含层和节点的数目,活动函数的形式,以及对权重做那些限制等。

2 传播式神经网络

在诸多类型的神经网络中,最常用的是前向传播式神经网络,也就是我们前面图示中所描绘的那种。我们下面详细讨论一下,为讨论方便假定只含有一层隐含节点。

可以认为错误回馈式训练法是变化坡度法的简化,其过程如下:

前向传播:数据从输入到输出的过程是一个从前向后的传播过程,后一节点的值通过它前面相连的节点传过来,然后把值按照各个连接权重的大小加权输入活动函数再得到新的值,进一步传播到下一个节点。

回馈:当节点的输出值与我们预期的值不同,也就是发生错误时,神经网络就要“学习”(从错误中学习)。我们可以把节点间连接的权重看成后一节点对前一节点的“信任”程度。学习的方法是采用惩罚的方法,过程如下:如果一节点输出发生错误,那么他看他的错

误是受哪个(些)输入节点的影响而造成的,是不是他最信任的节点(权重最高的节点)陷害了他(使他出错),如果是则要降低对他的信任值(降低权重),惩罚他们,同时升高那些做出正确建议节点的信任值。对那些收到惩罚的节点来说,他也需要用同样的方法来进一步惩罚它前面的节点。就这样把惩罚一步步向前传播直到输入节点为止。

对训练集中的每一条记录都要重复这个步骤,用前向传播得到输出值,如果发生错误,则用回馈法进行学习。当把训练集中的每一条记录都运行过一遍之后,我们称完成一个训练周期。要完成神经网络的训练可能需要很多个训练周期,经常是几百个。训练完成之后得到的神经网络就是在通过训练集发现的模型,描述了训练集中响应变量受预测变量影响的变化规律。

由于神经网络隐含层中的可变参数太多,如果训练时间足够长的话,神经网络很可能把训练集的所有细节信息都“记”下来,而不是建立一个忽略细节只具有规律性的模型,我们称这种情况为训练过度。显然这种“模型”对训练集会有很高的准确率,而一旦离开训练集应用到其他数据,很可能准确度急剧下降。为了防止这种训练过度的情况,我们必须知道在什么时候要停止训练。

图3中的曲线可以帮我们理解为什么利用测试集能防止训练过度的出现。在图中可以看到训练集和测试集的错误率在一开始都随着训练周期的增加不断降低,而测试集的错误率在达到一个谷底后反而上升,我们认为这个开始上升的时刻就是应该停止训练的时刻。

图3 神经网络在训练周期

增加时准确度的变化情况

3 神经网络的优点

神经元网络和统计方法在本质上有很多区别。神经网络的参数可以比统计方法多很多。如图1中就有13个参数(9个权重和4个限制条件)。由于参数如此之多,参数通过各种各样的组合方式来影响输出结果,以至于很难对一个神经网络表示的模型做出直观的解释。实际上神经网络也正是当做“黑盒”来用的,不用去管“黑盒”里面是什么,只管用就行了。在大部分情况下,这种限制条件是可以接受的。比如银行可能需要一个笔记识别软件,但他没必要知道为什么这些线条组合在一起就是一个人的签名,而另外一个相似的则不是。在很多复杂度很高的问题如化学试验、机器人、金融市场的模拟、和语言图像的识别等领域神经网络都取得了很好的效果。

4 在使用神经网络时有几点需要注意

第一,神经网络很难解释,目前还没有能对神经网络做出显而易见的解释的方法学。

第二,神经网络会学习过度,在训练神经网络时一定要恰当的使用一些能严格衡量神经网络的方法,如前面提到的测试集方法和交叉验证法等。这主要是由于神经网络太灵活、可变参数太多,如果给足够的时间,他几乎可以记住任何事情。

第三,除非问题非常简单,训练一个神经网络可能需要相当可观的时间才能完成。当然,一旦神经网络建立好了,在用它做预测时运行还是很快的。

第四,建立神经网络需要做的数据准备工作量很大。一个很有误导性的就是不管用什么数据神经网络都能很好的工作并做出准确的预测。这是不确切的,要想得到准确度高的模型必须认真的进行数据清洗、整理、转换、选择等工作,对任何数据挖掘技术都是这样,神经网络尤其注重这一点。

【参考文献】

熊熊,汪德馨,宋轶民.利用模糊神经网络进行模糊数据挖掘的一种算法[J].系统工程学报,2000,3(1):32-37.

对神经网络的理解范文3

关键词 人工;神经网络;机器学习方法

中图分类号Q1 文献标识码A 文章编号 1674-6708(2011)40-0111-02

0 引言

机器学习方法经常被应用到解决医学和生物信息学的问题。在这个报告中我列举了一些把机器学习方法应用到生物信息学领域的实例。比如:组建多重神经网络,运用该神经网络对4种不同形势的肿瘤患者进行分类。

1 介绍

人工神经网络属于机器学习领域。关于人工神经网络的概念最早提出于1940年代。后来在1980年代后被推广应用,尤其是在医学领域。

其中一个非常有用的用途是对疾病进行分类,达到诊断的目的,或者对基因表达进行分类。在这类神经网络里面,k点最近邻居算法是最常被采用的算法。

人工神经网络的优点是:不需要人们蛆关注神经网络里面的细节信息;人工神经网络可以很容易地被重新训练来应对不同地分类数据。人工神经网络可以用来解决有监督学习和无监督学习,比如:自组织特征映射(self-organized feature map)就可以用来解决无监督学习的问题。

它的不足之处在于:人工神经网络往往需要大量的训练数据,而这些训练数据往往不是很容易获得。人工神经网络可以被看作是一个黑盒,它的细节隐藏在点点之间的权值里面。这些权值的意义是人类无法理解的。同时,人工神经网络需要被仔细的训练以避免过拟合的情况出现。我们常常需也要降低高维数据的维度。下面,我将分析介绍人工神经网络的具体应用。

人工神经网络的结构如图1所示:

X1 ,X2 ,X3是该神经网络的输入值,w0 ,w1 ,w2 ,w3 是该神经网络的输入结点到内部节点的路径权值,每个神经元的激活函数是如上图右侧所示的函数图像。

这个函数被称作为sigmoid函数,表达式如下:

多重神经网络通常有3层,事实上,3层神经网络以能进行很好的分类效果。这三个层包括输入层,隐藏层,输出层。在每个神经元内部我们可以选择sigmoid激活函数或其他种类的激活函数。

如图2所示:

单个神经元仅能提供线性的分割面,所以多层神经网络可以提供非线性的分类函数(即:若干个线性分割面的复杂组合)。这并不意味着4层神经网络就一定比3层神经网络能一共更好的分类效果,因为层数越多,需要的训练集就越庞大,得到的效果也不会提高。

既然有训练问题,就会涉及到训练算法。较为早的和著名的训练算法是delta 规则。它于20世纪60年代被提出。它的原理是计算理论输出值和世纪输出值的均方差。tp 为理论输出值,yp为实际输出值,表示为:

训练的开始阶段,我们通常设定一个随机选取值,令该值等于:

该公式里,α是学习速率,学习速率越大,学习的过程就越快,完成学习的时间短。但如果学习的速率过大,可能导致网络的理想权值在合理结果的附近游摆而永远无法获得理想的权值。

神经网络被训练好了以后,它就被用到解决目标问题。原始的数据集可以被分为两部分:一部分用来训练,一部分用来测试。

有时候神经网络会把训练数据集里面的噪音点的特征纳入自己的权值表达里,从而该神经网络无法真正体现该点集的真实特征。我们把这种情况叫做过拟合。过拟合是由于网络比待估函数复杂造成的。比如一个可以同3层网络解决的问题,我们用4层网络或者由更多神经元的三层网络去解决该问题,就容易造成过拟合。为了更好的明确训练时所采用的神经网络的隐藏层的层数,Livingstone 和 Manalack 提出了如下计算公式:

D = m*o/w

该公式里m是训练样本的数目,o是该网络的输出值,w是网络权值的数目,D就是隐藏层的数目。

得到了隐藏层的数目之后,我们可以以这个数目创建神经网络,边训练边削减,直到我们获得一个一半化的网络。对于没有隐藏网络层或只有一个隐藏网络层的神经网络,我们需要先确定它要解决的问题是否是线性的。

适当的训练方案是能也可以使网络的复杂性和数据的复杂性得到合适的匹配。一个合适的训练方案应该是如下步骤:首先选择一个很大的网络并且把它的每个权值都设到一个很小的值上。通过训练,这些权值可以逐渐游摆到一个合理的值。

由于初始数据集通常要被分为训练集和测试集。在医学领域,我们能获得的数据集往往很小,比如某种病的病人数目不会很大。所以我门需要采用交叉验证的技巧来是较小的数据集在被分为训练集和测试集之后能较好的训练神经网络。

对神经网络的理解范文4

【关键词】传感器;智能化;神经网络;自补偿

【基金项目】论文受到成都信息工程大学校级项目KYTZ201521,Y2013062,Y2015015以及“传感器与检测技术”精品课程建设项目的资助。

一、引言

现代传感器技术是在传统传感器技术的基础上发展而来,广泛结合了信息处理技术、通信技术及微电子技术等[1],将传感器提升至 “系统”级别。

开设现代传感器技术课程,需要在具备经典传感器知识的基础之上,进一步掌握智能传感器的相关知识,了解集成电路工艺、统计学习理论和现代信号处理技术等[2]。该课程的内容涉及智能传感器系统的硬件构成,智能化功能的软件实现方法,以及多元回归分析法、神经网络技术和支持向量机技术等数据挖掘方法。学生可以通过自主设计型实验加深对智能传感器的理解。而智能传感器的软件实现和数据挖掘方法的仿真都具备充分的灵活性,学生可以结合PC机在课堂上和课后进行实验研究[3]。

二、自主设计实验

现代传感器技术的课程介绍了新型智能传感器的概念、构成方式及具有的功能,重点在于智能传感器的集成化和智能化实现方法。

智能传感器集成化的实现涉及微电子技术等相关内容,对于非微电子专业的学生来说很难具备此方面的扎实基础,不易开展自主设计型实验。并且此部分内容的相关实验对硬件要求较高,不利于在不同专业和高校的推广。

智能传感器智能化的实现方式多样,有硬件实现,也有软件实现。软件实现方法包括神经网络技术、支持向量机技术、粒子群算法和小波分析等数据挖掘方法中的智能算法。这些智能算法的仿真工具众多,算法设计灵活且多样,可以让学生在完成课程实验的同时,通过自主设计进一步发掘算法的优化方法,加深对知识的理解。

本论文将举例说明现代传感器技术课程在智能传感器智能化实现方面的自主设计实验的开设方法。

例如,开设题为“基于神经网络方法的传感器温度自补偿模块设计”实验。对于会受温度影响的传感器,要降低工作环境温度的影响,就需要设计自补偿模块,补偿的方法有多种,这里选用神经网络方法。首先,学生需要选定实验对象,即传感器,比如某款压阻式压力传感器,然后获取不同温度状态下传感器静态标定数据,根据标定数据制作样本,输入到神经网络。学生可以根据需要选择不同的神经网络,比如BP神经网络和RBF神经网络等[4]。实验编程时可于利用现有的工具箱进行辅助编程,也可以完全自行编程。

以上实验只考虑了温度这一个干扰量的影响。通常影响传感器的不止一个干扰量,还可能存在两个或多个干扰量的影响。神经网络方法可以用来降低两个或者是多个干扰量的影响。此外,学生还可以用支持向量机技术来设计智能化软件模块,用于降低多个干扰量的影响。例如,可开设题为“基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计”。该实验的过程是先选定存在交叉敏感的传感器作为实验对象,进行多维标定实验获取样本数据,再利用支持向量机方法建立数据融合模型,从而消除或是降低多个干扰量的影响。支持向量机的功能包括分类和回归等,因此学生还可以结合其分类的功能设计其他传感器智能模块。

学生在进行智能算法的课程实验时,可以选择自带工具箱中丰富的仿真工具,也可以自行编程实现算法。本论文采用Matlab软件为仿真工具实现算法。

三、实验示例

(一)基于神经网络方法的传感器温度自补偿模块设计

本实验选定压阻式压力传感器作为实验对象,目标如下。

1.基于神经网络技术设计温度补偿模块,消除工作环境温度对传感器的影响。

2.实验过程需对多个样本进行实验,提高补偿模块的适应性,即在满足压力量程的情况下对不同的工作温度进行补偿。

3.温度补偿模块的设计可以使用多种神经网络方法,并进行对比,得到消除温度影响最好的方法。

实验步骤如下。

1.二维标定实验

用标定实验来获取原始实验数据。由于实验条件和实验时间的限制,有些学生无法进行此步骤。学生也可以通过教材或者相关论文来获取原始数据,但是必须在实验报告中注明数据的来源。

2.数据预处理与样本制作

用上一步中获取的原始数据来制作样本。通常先将原始数据进行归一化处理,用归一化之后的数据制作样本。神经网络的样本包括训练样本和测试样本。

3.训练神经网络

将训练样本输入到编好的神经网络算法,可以是BP神经网络和RBF神经网络等,得到训练后的模型。

4.测试神经网络

用测试样本检验训练好的神经网络模型。如果得到的效果不好,可以适当地调整神经网络的参数,改善补偿效果。

5.更换训练样本和测试样本后重复第三和第四个步骤

不同样本得到的结果往往差异较大,实验中需要更换训练样本和测试样本后进行多次重褪笛椋用以提高神经网络模型的适应性。

6.换一种神经网络方法重复第五个步骤

同一样本采用不同的神经网络方法可能得到不同的补偿结果,实验中可以尝试对比不同的神经网络方法,或者通过优化神经网络的方法改善补偿效果。

(二)基于支持向量机方法的降低多个干扰量影响的传感器智能模块设计

本实验的目标如下。

1.利用支持向量机的处理分类和回归问题的功能,对传感器交叉敏感的数据进行分析,用以抑制交叉敏感现象。

2.尝试修改支持向量机的程序,例如更换核函数或改变分类策略,得到不同的测试结果。

3.制备多组样本数据,对不同的样本数据进行测试,用以检验算法的适应性。

实验步骤如下。

1.样本数据制作

根据确定的实验对象,采集或制备样本数据。制作好的样本数据将分为训练样本和测试样本两部分。训练样本与测试样本的格式保持一致。

2.算法设计

利用支持向量回归(Support Vector Regression,SVR)或支持向量分类(Support Vector Classification,SVC)算法,处理样本数据。利用多种策略测试算法优劣。

例如在支持向量分类算法中,有两种处理多分类问题的策略, 一种是“一对一(one agaist one, 1A1)”, 另一种是“一对多(one agaist all, 1AA)”。实验中可测试不同策略的算法。支持向量机可选取多种核函数,包括线性核函数、多项式核函数和径向基(Radial Basis Function,RBF)核函数等。目前尚缺乏一种选取核函数的标准方法。实验中可以通过更换核函数来测试它们的不同效果,用以选取最优的方案。

可以采用不同的支持向量机工具箱,例如SVM and Kernel Methods Matlab Toolbox工具箱,或者自行编程。

在算法设计的过程中,通过对训练样本进行训练和对测试样本进行测试,得到每一次的结果。同一算法必须经过多个训练样本和测试样本的检验。更换算法策略后,再重复以上步骤。

3.效果评价

用抑制交叉敏感的结果对比最初的传感器数据,对算法效果进行综合评价。

(三)实验方案

结合以上实例,可以设计出自主实验的方案,具体如下:自行查阅资料进行神经网络分析法和支持向量机法的设计,两种算法选择其一即可。

实验步骤如下:(1)安装matlab软件;(2)熟悉matlab软件的使用方法;(3)查阅资料进行项目设计;(4)选取神经网络分析法和支持向量机法之一进行项目设计;(5)根据设计要求编写算法,并仿真;(6)对算法效果进行综合评价。

需要注意的是,利用神经网络分析法和支持向量机法在智能传感器系统的智能化功能实现方法上进行项目设计的时候,数据来源要有出处,应用范围要明确。

四、结论

现代传感器技术课程通过开设自主设计型实验可以提高学生的学习兴趣,加深学生对知识的理解。该课程涉及的神经网络技术、支持向量机技术、主成分分析和小波分析等方法可以较为灵活地开设自主设计实验,加强学生的动手能力。本论文以“基于神经网络方法的传感器温度自补偿模块设计”实验为例说明了自主设计实验的方案。实验采用Matlab软件设计,方案可行。

【参考文献】

[1] 张鹏,吴东艳,张凌志.项目教学法与传感器课程改革探索[J]. 中国电力教育,2014(05):78-79.

[2] 王兴君,毛敏.智能传感器课程建O及教学研究[J]. 电子测试,2016(07):172-173.

对神经网络的理解范文5

关键词:模糊神经网络;股票预测

一、引言

中国股市经过十余年的发展,应该说已经取得十分巨大的成就,但是与国外成熟股市相比仍然是一个新兴市场。事实上,探索和研究股票价格波动的复杂性和规律性,是许多经济工作者,尤其是证券研究者一直追求的目标。

股票交易数据预测是一种时间序列预测方法。时间序列预测法是依据预测对象过去的统计数据,找到其随时间变化的规律,建立时序模型,以判断未来数值的预测方法。其基本思想是:过去的变化规律会持续到未来,即未来是过去的延伸。一般一维时间序列预测方法有移动平均与分解方法、指数平滑方法、状态空间模型等。这些预测方法经过长期的发展,在定量预测模型和定性预测模型等方面都有长足的进步。但是,当系统具有较强的非线性时,这些方法的适应性却是有限的,在实际的预测环境中常常失去效用,因此用这些传统的预测方法解决这类问题十分困难。

二、神经网络和模糊逻辑结合的可能性

神经网络的兴趣在于人脑的微观结构。并通过有自学习、自组识、自适应功能的神经网络上的非线性并行分散动力学,对无法语言化的模式信息进行处理。模糊逻辑根据人为定义的隶属函数和一系列并串行的规则,用逻辑推理去处理各种模糊性的信息,是通过模仿人的思维方式来表示和分析不确定、不精确信息的方法和工具。尽管“模糊”这个词在这里容易使人产生误解,实际上在模糊逻辑控制中的每一个特定的输入都对应着一个实际的输出。所以模糊逻辑本身并不模糊,模糊逻辑并不是“模糊的”逻辑,而是用来对“模糊”进行处理以达到消除模糊的逻辑,它是一种精确解决不精确、不完全信息的方法,其最大特点就是用它可以比较自然地处理人的概念,是一种更人性化的方法。在处理数据时,模糊逻辑更能容忍噪音干扰和元器件的变化,使系统适应性更好模。糊逻辑还对使产品开发周期缩短而编程更容易。通过模糊化样本,提高了样本集中各样本的质量,进而改进能量函数。用神经网络去预测股票,在对信息的推理上还存在相当大的困难;而在信息的获取方面,模糊技术也显得十分软弱。

因此本文根据模糊逻辑和神经网络的各自长处把它们结合起来,利用这种方法对股票预测进行研究。模糊系统提供了一种推论式语句用来逼近人的推理能力和并且应用到基于知识的系统中。模糊逻辑理论是用一种数学工具来获取人们认知过程。然而,模糊逻辑中有个共同的瓶颈是它们都依赖于由领域专家给出的规则,而且,不存在正式的框架来选择模糊系统的各种参数,因此,调整参数的方法是模糊系统的一个重要研究课题。另一方面,神经网络所具有一些重要的有点,比如学习能力、自适应能力、容错能力等,所以神经网络能够处理复杂的、非线性的以及不确定性问题。正是因为如此,可以相信它们具有构建与人们人之有关的各种行为的潜能。但是神经网络的主要问题是它没有明确的物理意义,使用者不知道这些网络是如何运转的。这就是为何神经网络总是被称为“黑箱”的原因。对以一个训练好的神经网络,其连接权值不能清楚地说明网络是如何处理数据的,其含义是什么。特别是,现在的神经网络理论还没有提供一种方法来预测训练好了的网络的输出。因此,在实际应用中造成了一些不确定性。

把模糊系统和神经网络的结合成为模糊神经网络,该网络致力于获得两种系统的优点而克服各自的缺点。正如前文提到的,神经网络的优点在于,第一个是能够生成不需要明确表现知识的规则;第二个是其强大的自学能力。模糊系统的优点在于,第一个是能用模糊性的语言表达知识;第二个是能用简单的预算来实现知识的模糊推理。两者的结合可以解决模糊系统中的只是抽取问题以及专家知识也能很容易融合到神经网络中,避免了初值选择的任意性。

三、模糊神经网络的模型设计

1、模型的结构

模糊神经网络与一般的神经网络相类似,通常分为前向型模糊神经网络和反馈型模糊神经网络两类。本文采用的就是前向型模糊神经网络。该网络是可以实现模糊映射关系的模糊神经网络。一个前向型模糊神经网络可分为五层组成,分别为输入层、模糊化层、模糊推理层、去模糊化层和输出层。图1-1为含有两个输入层节点、一个输出节点的一个基本前向模糊神经网络结构。

输入层指的是接受外部输入信号的一层,并将输入值传送给模糊化层的模糊单元;模糊化层的作用是按模糊规则将输入值转换为一定的模糊度,是对模糊信息进行预处理的网层。模糊推理层是前向型模糊神经网络的核心,其网络参数是由具体问题所确定的;去模糊化层接受经中间层处理的数据,并按照模糊度函数将数据进行非模糊化处理;最后输出层给出确定性求解结果。

本文采用的是TS模糊神经网络。该神经网络分为输入层、模糊化层、模糊规则计算层和输出层(包括去模糊化)。输入层与输入向量xi连接,节点数与输入向量的维数相同。模糊化层采用隶属度函数(公式1-1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘(公式1-2)计算得到φ。输出层采用(公式1-3)计算模糊神经网络的输出。下面给出各公式:

1-1

式中,分别为隶属度函数的中心和宽度;k为输入参数;n为模糊子集数。

1-2

1-3

式中为模糊系统参数。

2、模糊神经网络的学习算法

(1)误差计算

式中,yd为网络期望输出;yc是网络实际输出,e为期望输出和实际输出的误差。

(2)系数修正

式中,为神经网络系数;α为网络学习率;xj为网络输入参数;φi为输入参数隶属度连乘积。

(3)参数修正

式中,、分别为隶属度函数的中心和宽度。

3、预测模型的结构设计和参数的设定

网络结构的选择需要考虑以下因素:软硬件实现的难易程度、训练速度和网络的推广能力等,其中网络的推广能力是最主要的,网络结构设计至今还没有确定的方法可循。14世纪的法国修道士 提出过一个最简单原则:“与己知事实满意符合(一致)的理论中最简单者就是最好的理论”,后人称此原则为“奥克姆剃刀”。由此产生了一个公认的指导原则:“在没有其他经验知识时,能与给定样本满意符合(一致)的最简单(规模最小的网络就是最好的选择”。这相当于在样本点的误差在允许范围条件下用参数最少的模型去逼近一个未知的非线性映射。

从总体上来说,网络结构设计并没有固定可循的步骤,有许多参数要靠经验选择,并通过试验加以比较。规模小的网络的泛化能力强,同时也易于理解和抽取规则、知识,便于软硬件实现。通常情况下,由于训练样本有限,所以把泛化能力作为主要要求,强调选择能达到要求的最小网络。理论证明,一个三层网络可以任意逼近一个非线性连续函数。

基于T-S模糊神经网络的算法流程如图1-2所示。其中模糊神经网络构建根据训练样本维数确定模糊神经网络的输入和输出的节点以及模糊隶属度函数个数。由于输入数据为开盘价,最高价,最低价,收盘价这四组数据,所以为n=4维的,输出的是次日的开盘价格即输出数据为1维的。在模糊化层中,该层有nm个节点,利用K-means法对样本进行聚类分析得到模糊规则数以确定m。在聚类分析得出m=2所以得到节点数为8,该模糊神经网络的结构为4-8-1。在根据T-S的模型,所以选择5组系数ρi。

虽然权值随迭代而更新,一般都是收敛的,但是如果初始值设置的太大的话会影响该网络,会使网络饱和的很快。初始的权值对收敛速度也会造成影响。实验表明,初始权值只要不是过大,对网络整体的性能的影响并不大,一般可选在(-0.5,0.5),本文取权值为0。由于本文的隶属度函数利用的是高斯函数,所以高斯函数中的中心和宽度随机得到。

在学习率和网络参数的选择上,若选择的太小,会使网络参数修改量过小,收敛的速度缓慢;若选择的太大,虽然可以加快了学习的速度,但是有可能导致在稳定点附近进行持续的振荡,难以收敛,目前在理论上还没有明确的确定学习率的方法,对于具体问题需要进行试验,通过实验比较出适合的学习率,本文在通过实验选取学习率为0.025,网络参数选取0.001,最大迭代次数选取为100。

四、实证分析

1、预测的效果

选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。

如图1-3为训练网络的效果图,该结果是用归一化后的数据。

表 1-1列出真实值和预测值以及预测的相对误差((真实值-预测值)/真实值):

2、网络性能的评价

对神经网络常用的预测性能的评价指标常用的有RRMS,MPE,mpe,PC。选取绿景地产(000502)2010年1月20日连续120个交易日的数据作为训练和预测样本。其中使用前100个交易日的指标作为训练样本训练网络,用后20个数据进行样本预测。本系统的各项性能指标如下:

相对均方根误差:RRMS=0.63%最大误差:MPE=0.19元 正确趋势率:PCD=65%

从以上指标看出用该模糊神经网络进行预测是有效的,预测系统式成功的。

五、总结

股票市场是反映经济的“晴雨表”,其作用不但被政府重视,而且受投资大众的普遍关注,股票市场中的收益伴随着风险,以最小风险获得最大收益是每个投资者的目标,所以研究股票市场内在规律及其预测具有重大的意义和应用的价值。股票交易数据预测是时间序列预测。在股票市场这个极其复杂的系统中,它所具有的非线性和高噪声等因素决定了股票预测的过程的复杂与困难,传统预测方法很难应用于此,难以建立有效的数学模型。

神经网络是一种很好的时间序列预测方法。神经网络具有逼近任意复杂连续函数关系的能力,而这些能力正是传统方法所不具有的。本文把模糊逻辑和神经网络相结合起来,首先介绍了模糊系统和神经网络的基本知识以及二者结合的可能性。然后建立模糊神经网络模型并用于股票价格的预测,运用相关分析在剔除了与预测指标相关性较小的指标,简化了模糊神经网络的结构,并在实际的试验中确定了相关网络系数的初始值,简要的介绍了建模的工具,并用设立模糊等级对模糊神经网络的有效性进行了评价,在通过实证分析证实了网络系统基本上达到了预想的要求。

参考文献:

[1]胡守仁,神经网络应用技术[M],国防科技大学出版社,1993

[2]赵振宇,模糊理论和神经网络的基础与应用[M],清华大学出版社,1996

[3]刘增良,模糊逻辑与神经网络[M],北京航空航天大学出版社,1996

[4]吴华星,基于神经网络的股票价格预测,中国科学院计算技术研究所,1998

[5]姚培福,人工神经网络在股票预测中的应用与研究,昆明理工大学硕士学位论文,2007

对神经网络的理解范文6

一个完整的智能健康监测专家系统简单来说可以分为三个部分[3],即信号采集、信号处理和损伤诊断。其中损伤诊断是健康监测的核心问题,是对结构进行安全性评估和维护决策的基础。目前损伤诊断方法有多种,而人工神经网络(简称ANN)诊断技术在知识获取、并行推理、适应性学习、联想推理、容错能力等方面具有较大的优越性。

1. 神经网络在损伤识别诊断中得应用

神经网络技术之所以适合于结构损伤诊断,主要有三个原因[4],①训练过的神经网络能够存储有关过程的知识,根据对象的正常历史数据训练网络,然后将此信息与当前测量数据进行比较,以确定损伤。②神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力。③神经网络具有分辨损伤原因及损伤类型的能力。

损伤诊断可分为无模型识别法(Free-Model)和有模型识别法(Model-Based)两大类[5]。

无模型识别是指损伤识别过程中不需要建立结构的数学与力学模型,完全基于结构现场实时检测数据并考虑专家经验建立结构状态知识库,然后采用人工神经网络诊断技术进行诊断。因为结构在不同状态下其本身的某些往往会发生变化,这些变化包含了结构损伤位置和损伤程度的信息,根据结构特性变化分析就可以反演结构是否存在损伤以及损坏位置和损伤程度。这是一个反分析过程,需要建立结构关键性能指标变化与结构状态的非线性关系。人工神经网络通过对实测数据加专家经验建立的知识信息进行学习,通过权值记下所学过的样本知识并掌握输入、输出之间复杂的非线性关系。在诊断过程中,根据实测关键性能指标的变化与储存在已建知识库的各种状态的损伤识别量进行模式匹配来进行结构的损伤检测与诊断。建立在实测数据基础上的专家数据知识库,其知识信息具有真实性、连续性、准确性,可以不断更新。

基于模型的损伤诊断技术是在结构健康诊断过程中,通过建立精细的能够反映结构的真实形态的结构数学与力学模型,分析计算结构在各种状态下的参数指标,辅助实测数据以及考虑专家经验建立结构状态知识信息库,利用人工神经网络的模式识别功能进行结构损伤状态的诊断。所谓精细的模型是指理论分析的数据应该和实测数据吻合得较好,两者偏差要在允许范围内,这与设计分析所需建立的计算模型相比要求更加严格,如果用于损伤识别的模型存在较大的模型误差,会使计算的参数产生与损伤引起的参数改变相当,甚至更大的偏差,就可能使基于这些参数改变的损伤检测方法识别结果较差,甚至失效。

通常采用有限元法建立结构力学模型作为损伤诊断的基准参考。进行精细有效的有限元动力分析,一种方法是利用商业化软件如ANSYS、ABAQUS和ADINA等。但这些程序对于一些结构有特殊要求的分析就无能为力,例如混凝土坝考虑动水压力影响下的动力分析。这就需要利用自编程序来进行分析,但是工作量较大。但已有的有限元模型修正技术仅适用“小误差模型”的修正[6],而较大“误差”的情况则属于非适定的、非线性的问题。人工神经网络强大的非线性映射功能就非常适合解决结构模型修正中非线性问题[7]。建立结构有限元力学模型,选择不同的材料物理参数与边界条件可以计算不同的结构响应,因此结构响应和结构设计变量之间存在复杂的映射函数关系,这种近似映射函数关系用常规方法来确定比较困难。在前苏联数学家Kolmogorov提出的任意连续函数表示定理基础上,Robert HN提出了Kolmogorov多层神经网络映射存在定理,从理论上论证了一个任意的连续函数都能与一个三层神经网络建立映射关系。这为人工神经网络用于结构模型修正提供了理论基础[7]。

2. 基于神经网络损伤诊断的两级识别策略

采用人工神经网络方法对结构损伤的发生、定位和损伤类型与程度进行研究,可以采用基于网络判别指标过滤方法的两级识别策略[8]。

2.1 自适应神经网络方法检测结构损伤

自适应神经网络方法(Auto-associate Neural Network)利用健康结构在正常情况下的序列测量数据作为训练人工神经网络的输入和输出数据X,Y,依次构造一个自相关的神经网络Net=T(XY)。训练完成后,将输入数据X再次输入已训练的神经网络Net以便得到一组网络输出数据,比较测量数据Y和网络输出数据的差值向量,采用某种距离测度函数加以测量形成健康结构的判别指标。判别指标可以采用结构某个动力特性参数加以构造,也可将多个动力特性参数同时考虑加以构造。具体结构中最终如何构造判别指标,需要根据结构特点进行判别指标对结构损伤的敏感度的分析加以确定。

当同一个结构可能发生损伤以后的测量数据被作为输入数据通过已经训练的神经网络Net,由本次输入数据和输出数据可以计算得到的新的判别指标,与健康结构的判别指标相比较,就可以预告结构是否发生损伤。如果两者差值(可以称为损伤指标)较大,就认为结构已经发生损伤。

2.2 概率神经网络方法检测结构损伤的位置和类型

结构损伤指标的判定通常只能检测损伤的发生,难以确定损伤的位置和损伤的类型。概率神经网络(Probabilistic Neural Network,简称PNN)可以用于判定损伤的位置和类型。

PNN[9-11]是通过具有无参数估计量的已知数据集的概率密度函数来实现贝叶斯决策,将其加在人工神经网络框架中,接着进行判别未知数据最大可能属于哪个已知数集,对于具有,,…,,…,的多类指标问题来说,基于p维试验向量X的贝叶斯决策d(X)为: (1)

式中――分类指标的先验概率

――与错误分类的相关损失,在损伤检测问题中两者通常假定相等

――概率密度函数

采用多变量高斯(Gauss)分布函数:

(2)

将该贝叶斯决策映射为一个人工神经网络构成一个概率神经网络,该网络分为四层,即输入层、模式层、求和层和决策层,如图1所示。

输入向量X的每个元素作为输入层的输入参数。由权重向量和向量X的点积构成中间层的神经元,而相对于分类号q的决策层神经元输出为:

(3)

式中 ――高斯核的标准差

传统PNN对所有高斯核都采用统一的值。影响传统PNN广泛应用的最大障碍就是所有的参数具有同一个参数值。对于自适应PNN,每一测量维数具有不同的参数。

假定具有不同损伤部位(即损伤模式)和不同刚度损伤程度(如0%,20%,75%和90%)的有限元分析得到的模态数据作为输入数据输入PNN进行训练,数据可以加入或者不加入环境“污染”分量。损伤位置或类型假定有多种。如果结构损伤标识量选用自振频率变化率,输入向量X为P个自振频率变化率,将带有某种类型损伤(或混合模式损伤)的实测模态数据输入训练好的PNN,则得到决策层(输出层)各个损伤形态在试验向量点对应的概率密度函数PDF的估计值,具有最大PDF的损伤模式将给出损伤的位置或者类型。

这种损伤诊断方法最大优势在于可以降低测量误差对损伤识别结果的影响。因为损伤识别指标对模态参数变化率敏感,对于具有相同环境“污染”程度的前后两次数据,其“污染”造成的误差可以抵消,从而对损伤识别精度的影响较小。从本质上说,如果网络训练阶段并不需要数学模型分析而直接采用健康结果的实测数据,则神经网络算法并不需要数学模型,这也是该算法的一个优点。

研究表明[12, 13],在损伤诊断过程中,模型误差对损伤识别结果的影响要比测量误差小,而且随着损伤程度的增加而变化不大。用误差≯10%的模型来训练人工神经网络,是完全可以接受的。神经网络对损伤的识别结果受测量误差影响较大,但随损伤程度的增加而降低。改善测量误差,降低其对识别结果的影响极其重要。

3. 基于WPNN与数据融合的损伤检测方法

近年来。不断发展起来的多传感器数据融合(或称信息融合)技术以其强大的时空覆盖能力和对多源不确定性信息的综合处理能力,可以有效进行结构系统的监测和诊断。虽然目前基于动力响应的各种智能损伤诊断技术得到研究,但这些技术存在着识别精度不高或适用条件等缺陷。目前迅速发展的数据融合技术具有充分利用各个数据源包含的冗余和互补信息的优点,可以提高系统决策的准确性和鲁棒性。姜绍飞等[14]提出的基于小波概率神经网络(wavelet probabilistic neural network WPNN)和数据融合的结构损伤检测方法将两者有机结合,推动了神经网络技术在土木结构健康检测中应用的发展。

3.1 数据融合

数据融合是多源信息综合处理的一项新技术,是将来自某一目标(结构)的多源信息加以智能化合成,得到比单一传感器更精确、更完全的估计,其有点突出表现在信息的冗余性、容错性、互补性、实时性和低成本性。神经网络是由大量单元组成的非线性大规模自适应动力系统,具有学习、容错、记忆、计算以及智能处理,二者在结构上存在着相似性,可以充分利用神经网络的结构优势,考虑传感器或者信息处理单元之间的互相影响、互相制约的关系,体现了信息融合系统是一个有机的整体,而不是多种信息的罗列和简单的代数加减关系。根据信息(数据)表征的级次,数据融合可以分为数据级融合、特征级融合和决策级融合。

3.2 小波变化及小波概率神经网络

设函数,如果满足,则称为基本小波或母小波。将母小波函数伸缩和平移,得到的函数称为小波函数,简称小波。

设信号,则其小波变换定义为

基于小波变化的神经网络称为小波神经网络,它是小波分析与神经网络的融合(结合)二者的结合有两种途径:其一,将小波分析作为神经网络的前置处理手段,为神经网络提供输入特征向量,也称松散型小波神经网络、其二,将小波分析与神经网络直接融合,即以小波函数和尺度函数来形成神经元,也称紧凑型小波神经网络。小波神经网络继承了小波分析与神经网络的优点,通过训练自适应地调整小波基的形状实现小波变换,具有良好的函数逼近能力和模式分类能力。

3.3 基于WPNN与数据融合的损伤检测方法

为了充分发挥数据融合与WPNN的优点,提出了基于WPNN与数据融合的损伤模型(见图2),它首先将来自传感器1的结构响应进行数据预处理、特征提取,采用小波理论,获得该传感器的小波能量特征向量;依次类推,获得其他传感器的小波能量特征向量;然后将这些小波能量特征向量放入WPNN中,进行神经网络训练及融合计算;最后根据最大的概率密度函数值得到融合损伤识别结果及损伤类型。

为了验证该方法的有效性,姜绍飞运用美国土木工程学会提出的一个4层钢结构框架模型进行验证[14]。通过验证可见,基于WPNN与数据融合的损伤检测方法的识别效果比用单传感器进行损伤识别分类的效果好,它对损伤最敏感,受噪声的干扰影响最小;另一方面也说明,数据融合能够使不同传感器的信息相互补充,从而减小了损伤检测数据(信息)的不确定性,使结构的信息具有更高的精度和可靠性,进而能够获得更准确的损伤识别结果及最优的结构状态估计。

4. 用于损伤诊断的神经网络输入参数选择

采用什么参数作为神经网络的输入向量是利用人工神经网络进行结构损伤诊断中需要考虑的极其关键的一个问题。神经网络输入参数的选择及其表达形式直接影响损伤诊断的结果。采用结构动力参数作为结构损伤识别的方法现在得到大量的应用。其原因一方面是结构动力参数是结构本身固有特性,受外界环境干扰较小。另一方面结构自振频率和振动模态等动力参数比较容易从少量的动态测量中得到,而且测量方法比较简单。基于结构动力特性的损伤诊断方法,其基本思想是结构的物理参数如刚度、质量和阻尼比等在结构不同状态中的变化会改变结构动力特性――固有频率和模态。因此可以根据结构的固有频率、模态振型或者两者一起考虑等方法进行检测,另外还可以利用这些模态参数计算模态曲率、应变模态、结构柔度、模态阻尼比等力学指标,然后采用神经网络算法等对结构的损伤发生、损伤定位、损伤程度进行检测。对于简单的构件来说,采用结构固有振动频率作为网络输入参数就可以得到良好的诊断结果[15-17]。固有频率可以在结构的一个点上测到,并且与测点位置相对独立,是一个能反映结构整体的动力特性。但对于一般结构,固有频率包含的结构损伤信息还不足以进行识别与定位,例如对称结构,两个对称位置的损伤所引起的固有频率变化是完全相同的。因此有人建议采用固有频率和关键点的振型模态作为组合参数进行神经网络损伤诊断比较实用[18, 19],这可以解决对称结构和测量模态数据不完备问题。

对于结构损伤诊断来说,固有频率和振动模态是检测的全局量,可以用来对结构整体状态进行描述。但对于复杂结构,像大跨径桥梁,其赘余度大,造成结构局部损伤对整体性能反映影响不大,也就是说全局参数指标对局部损伤不敏感。例如结构局部损伤导致的固有频率变化很小,估计

采用全局量可以判断结构是否损伤,而用于结构损伤定位的物理参数需要选择局域量,且需满足四个基本条件[22],①对局部损伤敏感,且为结构损伤的单调函数。②具有明确的位置坐标。③在损伤位置,损伤标识量应出现明显的峰值变化。④在非损伤位置,损伤标识量或者不发生变化,或者变化幅度小于预定的阈值。

陆秋海[23]比较了六种不同输入参数对于结构损伤的敏感程度。得到的结论是,六种输入参数对结构损伤的敏感程度从低到高依次为:位移模态指标、固有振动频率指标、位移频响函数指标、曲率、应变模态指标以及应变频响函数指标。相比较来看,应变模态指标是较好的结构动力损伤诊断的损伤识别标识量,而且有对结构局部损伤敏感的优点,可以用作大型土木结构局部损伤定位的人工神经网络诊断输入参数。

5. 用于损伤诊断的神经网络选择

人工神经网络是在人类对其大脑神经网络认识理解的基础上人工构造的能实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型,是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。

人工神经网络发展几十年来,形成了数十种网络,包括多层感知器,BP网络、Hopfield网络、RBF网络、自适应共振理论和概率神经网络等等。这些网络由于结构不同,应用范围业有所不同,但这些神经网络模型原则上讲都可用来进行结构损伤诊断,只是存在简单与复杂、稳定与不稳定、诊断效果高低与诊断结果好坏的差别。前面介绍的大型结构基于神经网络的两级损伤识别策略是采用以自适应共振理论为基础的自组织神经网络和概率神经网络。

建立大型土木结构的智能健康监测专家系统,首先要建立损伤诊断的子系统。采用人工神经网络进行记诶构损伤诊断,首先要根据各种神经网络的特点和适用范围,选择解决自己问题的合适模型,然后采用某种程序语言进行编制。若采用商业化软件建立损伤诊断子系统,则不能很好地与信号采集系统及专家知识库进行有效链接,从而妨碍实施在线检测与连续诊断。Matla现已成为国际上公认的最优秀的数值计算和仿真软件,其强大的扩展功能为各个领域的应用提供了基础,由各个领域的专家在Matlab平台上推出了30多个应用的工具箱。神经网络工具箱是Matlab环境下所开发的许多工具箱之一,它是以人工神经网络理论为基础,用Matlab语言构造出各种神经网络算法。因此建立人工神经网络进行损伤诊断时,利用Matlab语言可以减少工作量,提高效率。

参考文献:

[1] 李宏男,李东升. 土木工程结构安全性评估、健康监测及诊断述评[J]. 地震工程与工程振动. 2002(3): 82.

[2] 谢强,薛松涛. 土木工程结构健康监测的研究状况与进展[R]. , 2001.

[3] 周智,欧进萍. 土木工程智能健康监测与诊断系统[J]. 传感器技术. 2001, 20(11): 1-4.

[4] 姜绍飞,周广师,刘红兢,刘明. 考虑不确定性因素的结构损伤检测方法[J]. 沈阳建筑工程学院学报(自然科学版). 2002(2): 85-87.

[5] 陈,罗跃刚等. 结构损伤检测与智能诊断[M]. 北京: 科学出版社, 2001.

[6] 张德文,魏阜旋. 模型修正与破损诊断[M]. 北京: 科学出版社, 1999.

[7] 段雪平, 朱宏平, 熊世树. 神经网络在建筑物有限元模型修正中的应用[J]. 噪声与振动控制. 2000(2): 11.

[8] 姜绍飞. 基于神经网络的结构优化与损伤识别[M]. 北京: 科学出版社, 2002.

[9] 王柏生,倪一清,高赞明. 用概率神经网络进行解雇损伤位置识别[J]. 振动工程学报. 2001, 14(1): 60-64.

[10] 姜绍飞,倪一清,高赞明. 基于概率神经网络的青马悬索桥定位的仿真研究[J]. 工程力学. 2001: 965-969.

[11] 杜德润. 地震作用下大体积混凝土结构损伤识别研究[D]. 南京: 东南大学, 2002.

[12] 王柏生,丁皓江,倪一清,高赞明. 模型参数误差对用神经网络进行结构损伤识别的影响[J]. 土木工程学报. 2000(1): 50-55.

[13] Wang Bai-sheng,ni Yi-qing K J. Influence of measurement errors on structural damage identification using artificial neural networks[J]. Journal of Zhenjiang University. 2000, 1(3): 191-299.

[14] 姜绍飞,付春,陈仲堂, 盛岩. 基于WPNN与数据融合的损伤检测方法[J]. 沈阳建筑大学学报(自然科学版). 2005(2).

[15] 陈建林,郭杏林. 基于神经网络的简支梁损伤检测研究[J]. 烟台大学学报(自然科学与工程版). 2001(3).

[16] 罗跃纲, 陈, 王占国. 钢梁损伤的神经网络诊断分析[J]. 工业建筑. 2002(1).

[17] 罗跃纲, 刘红兢, 王政奎. 钢板结构损伤对其动力特性的影响研究[J]. 沈阳工业大学学报. 2002(3).

[18] 郭国会,易伟建. 基于神经网络的框架结构破损评估[J]. 重庆建筑大学学报. 1999, 21(3): 106-121.

[19] 王柏生,倪一清,高赞明. 框架结构连接损伤识别神经网络输入参数的确定[J]. 振动工程学报. 2000, 13(1): 137-142.

[20] 雷俊卿,钱冬生. 长大跨桥实时监测预警系统研究[J]. 公路. 2002(2): 1-4.

[21] 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.