基于遗传优化神经网络算法的桥梁结构损伤识别

当前越来越多的大型桥梁结构安装了健康监测系统,作为桥梁健康监测系统的核心,结构损伤识别技术成为研究热点.基于人工神经网络和遗传算法的优点,提出了一种新的方法——遗传优化和神经网络混合算法(用遗传算法优化神经网络的初始权重,)实现桥梁结构损伤的位置和程度的识别.与传统的人工神经网络算法相比,该方法克服了其易于陷入局部最优的缺点.对工程实例梁的试验数据进行分析和结构损伤状况识别,结果表明,该算法的可行性和可靠性,可以应用于类似结构损伤的识别与评价.     

一种基于卷积神经网络的结构损伤检测方法

针对结构健康监测系统产生的海量数据难以高效分析的问题,采用了一种基于二维卷积神经网络的损伤识别检测方法,该方法直接将结构在外界激励作用下的加速度时程数据作为输入信息,通过卷积神经网络自动提取加速度数据中的隐含特征,识别结构的损伤.以板的损伤识别为例,给出了卷积神经网络损伤识别模型的输入数据格式、网络结构和训练方法,分析了卷积神经网络分别在不含噪声,含噪声5%、10%以及混合噪声情况下的损伤识别能力.测试结果显示这种基于加速度输入的卷积神经网络具有较高的损伤识别精度和抗噪能力,从而为结构健康监测系统数据分析和损伤识别提供了一种新的途径.     

基于多类型传感器信息的结构损伤识别方法

计算2组基于径向基神经网络的结构损伤程度识别结果,一组神经网络输入是加速度传感器信息,另一组神经网络输入是应变传感器信息;以2组识别结果及其可靠性为基础,提出采用D-S证据理论数据融合方法的结构损伤程度综合识别方法.以网壳结构为研究对象,建立结构损伤模型和神经网络样本库及输入输出向量,并对不同噪声水平下结构损伤程度识别结果进行计算.计算结果显示,基于多类型传感器信息的结构损伤程度综合识别结果的误差明显小于基于单类型传感器的识别结果,并在神经网络输入有噪声的情况下,仍保持较好的效果.因此,基于多类型传感器信息的结构损伤程度识别方法在合理应用结构多类型响应信息的基础上,能够获得更优的结构损伤程度识别结果.     

桥梁的损伤识别

现在很多桥梁都安装了监测系统 ,自动损伤识别是桥梁健康监测系统的核心技术和热点研究问题。文章介绍了几种桥梁损伤的识别方法 ,包括动态法、静态法、有模型法、无模型法、位移法、应变法以及 BP和 RBF神经网络法的比较。目前健康监测系统尚不具备损伤识别能力。如何设计一个高效的用于结构损伤识别的自动损伤识别系统 ,是个值得研究的问题     

基于光纤光栅和BP神经网络的结构损伤识别

以光纤光栅为传感元件,四边简支板为研究对象,BP神经网络为信号处理手段,研究了光纤光栅传感器和BP神经网络在结构损伤识别中的应用,实验表明,光纤光栅传感器具有灵敏度高、稳定性好的特点,是结构损伤识别中的一种新的信号采集工具。采用光纤光栅作为传感元件,不仅可使BP神经网络成功地实现对四边简支板的损伤识别。而且提高了结构损伤识别的精度。     

遗传算法–神经网络方法的结构损伤识别

应用人工神经网络技术,提取结构的固有频率的变化为特征参数,建立结构损伤识别模型,提出用遗传算法来调整神经网络的权值,并对一个框架模型进行了损伤数值模拟计算,即基于遗传算法-神经网络方法的结构损伤识别的研究。该方法弥补了传统的神经网络 BP 网络收敛速度慢,易陷入局部极小点等缺陷. 结构表明,该方法具有收敛速度快和识别精度高的特点。     

基于L-M算法优化的GA-BP网络在岩石高边坡损伤识别中的应用

边坡的失稳破坏往往是由岩体损伤导致的,研究边坡岩体的损伤识别对于工程实践具有重大意义,而基于BP神经网络的损伤识别是边坡损伤识别的有效方法之一.本文针对传统BP神经网络在边坡损伤识别中存在的问题,首先利用遗传算法（GA）克服BP网络易陷入局部极小的不足,然后利用Levenberg-Marquardt （L-M）算法在解空间里对BP神经网络进行精调,搜索出最优解.结合优化后的GA-BP模型以及有限元计算结果,提取边坡损伤前后的频率值来实现损伤位置和程度的识别.经验证,改进后的BP网络有效提升了识别边坡损伤的性能,对岩石高边坡损伤识别方法的研究有理论指导意义与参考价值.     

大跨度空间网格结构的健康监测系统

针对大跨度空间网格结构健康监测系统中的传感器布置以及损伤识别问题,以凯威特型单层球面网壳为例,首先,定义基于变形能的适应度函数,采用粒子群优化算法布置加速度传感器;其次,根据加速度响应信号,建立时间序列模型(AR模型),根据模型系数的变化,判断损伤存在与否;最后,以AR模型系数为输入,损伤位置为输出,建立BP神经网络,通过BP网络的训练和测试,判定损伤存在的位置.数值模拟结果表明:基于粒子群算法的传感器优化布置方法能够准确获取网壳结构中的关键信息点,有效节省传感器布置数目;基于时间序列分析和神经网络的损伤识别方法可以准确识别网壳结构的损伤及损伤位置.     

基于全息视觉测量的钢混组合结构损伤识别试验研究

对一片钢混组合试验梁依次开展不同损伤工况下的加载试验,利用全息变形视觉测量试验装置获取试验梁全息图像信息数据,基于结构全息边缘轮廓线提取算法计算分析全息图像信息数据以获得试验梁在不同损伤工况下的全息变形.以结构初始全息变形数据和结构目标全息变形数据作为输入,运用改进的BP神经网络算法反演试验梁刚度矩阵的退化,求解单元刚度矩阵折减系数的全局最优解,并以结构单元刚度矩阵折减系数作为损伤表征因子,实现对目标结构损伤状态的识别.试验结果表明:基于结构全息变形数据和BP神经网络的结构损伤识别方法对损伤具有较强判别性,试验梁不同程度、不同位置损伤工况的测试识别结果与试验结果基本一致,试验梁损伤位置及程度平均识别精度为92.6%,为后续研究奠定了基础.     

遗传算法-神经网络方法的结构损伤识别

应用人工神经网络技术，提取结构的固有频率的变化为特征参数，建立结构损伤识别模型，提出用遗传算法来调整神经网络的权值，并对一个框架模型进行了损伤数值模拟计算，即基于遗传算法一神经网络方法的结构损伤识别的研究。该方法弥补了传统的种经网络BP网络收敛速度慢，易陷入局部极小点等缺陷．结构表明，该方法具有收敛速度快和识别精度高的特点。     

舰艇化学侦察中的毒剂识别技术

为了更有效地对海战场化学战剂实施监测与快速准确识别,提出将多传感器信息融合（MSIF）技术、小波分解和神经网络应用于舰艇化学侦察领域中,构建了多传感器融合式舰艇化学侦察系统模型。同时,把小波分析和神经网络有机地结合起来,创建一套基于小波变换和神经网络的化学战剂特征快速提取与识别系统——神经网络识别毒剂系统,建立了带有偏差单元的递归神经网络识别毒剂模型和基于小波分析的毒剂特征提取方法。实验与仿真结果表明;利用基于MSIF技术和小波分析的神经网络识别毒剂系统,对毒剂进行定性定量分析是切实可行的,该方法能显著提高测量结果的准确性和可信度,且结果具有可重复性。     

自反馈BP网云计算信息融合算法及应用

通过对BP网络的输入层节点增加了自反馈,使BP网络对历史数据具有了记忆功能,改进后的局部自反馈BP神经网络具有动态映射和处理历史数据的能力.使用该局部自反馈BP神经网络实现了多信息的融合算法;通过对工矿企业现场诊断技术、信息融合方法和物联网应用分析,设计了一个基于物联网的工矿企业现场诊断与管理系统,并将局部自反馈BP神经网络信息融合算法应用到基于物联网现场诊断系统的云计算层,为设备生产厂家和工矿企业应用物联网进行现场诊断与管理提供了一个解决方案.     

基于数据挖掘的瓦斯信息识别与决策

针对煤矿瓦斯状态监测的特点,提出了利用数据挖掘和信息融合相结合的方法进行瓦斯信息的识别和决策.在信息融合的特征层,数据挖掘技术利用具有自学习能力的BP神经网络建立瓦斯信息识别模型,网络输出结果作为识别结果建立特征数据库.在信息融合决策层,利用D-S证据理论对识别结果进行时间域和空间域的融合决策,对井下瓦斯状态做出判断和决策.实验结果表明,该方法可提高瓦斯监测信息的精确性和决策的正确性,提高了煤矿瓦斯监测系统的性能.     

复杂环境下限速标志识别关键技术研究

作为智能汽车视觉系统的重要组成部分,同时作为自动目标检测与识别技术的一个典型应用,限速标志检测与识别技术越来越多地受到关注。由于对实时性能有很高的要求,限速标志在复杂环境下识别的许多关键技术仍在积极探索中。本文主要研究了复杂环境下所采集图像的预处理,双向融合的识别机制,基于BP神经网络的识别方法等关键技术。     

基于IPSO—BP神经网络的结构损伤识别

为了准确评估结构健康状况．将改进的粒子群算法与BP算法有机结合来训练人工神经网络,并用于结构损伤识别．以国际结构控制协会与美国土木工程学会（IASC-ASCE）提出的健康监测第二阶段Benchmark模型结构为例．对4种不同损伤模式进行了损伤定位．研究结果表明,在模型误差、测量噪声等因素的影响下,该方法能够取得令人满意的损伤识别结果．     

基于BP神经网络的数据融合技术在分布式养老系统中的应用

根据神经网络在数据融合的应用比较成熟,BP神经网络具有实现简单,以及在一定范围内具有较高识别精度的特点,选用此方法,在分布式养老系统中对老人的体征信息和监控设备两种属性不同的图像信息进行融合处理,实时监测老年人的身体状态.当神经网络的输入信息维数过高时,会导致神经网络训练速度下降.针对此问题,对传统的基于神经网络的融合算法进行改进,利用粗糙集对输入数据进行约简,使神经网络输入数据降维.同时,将约简后的信息进行训练.算法在训练时间和融合结果的准确性上都有提高.     

粗糙集结合BP神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究了基于粗糙集理论和BP神经网络相结合的数据融合方法。先利用粗糙集对输入信息进行简化,剔除冗余信息,从而缩减了BP神经网络的规模,提高了融合系统的识别率,进而提高整个融合系统的效率。与传统的神经网络融合系统进行比较,通过实例说明了该方法的有效性。     

预应力混凝土梁损伤识别的神经网络方法研究

文章通过有限元分析阐明了固有频率变化率和模态置信度在损伤识别研究中的重要意义,提出了以其为损伤指标的反向传播(backpropagation,BP)神经网络和概率神经网络(probabilistic neural network,PNN)的损伤状态识别方法。为验证所提方法的实用性,对11根多级损伤状态的真实预应力混凝土梁进行识别,并与基于固有频率变化率和模态置信度的普通理论方法进行比较。研究表明,普通理论方法实用性较差,很难有效识别各梁损伤状态;而BP神经网络和PNN识别方法均能有效应用于实际中,且具有很高的损伤识别精度,为结构损伤识别方法研究提供了新思路。     

基于传感器信息融合技术的森林火灾报警系统

设计了基于ARM(高级精简指令集机器)嵌入式多传感器信息融合的森林火灾报警系统,该系统主要分为传感器节点、信号传输、总控系统和融合算法4个部分.传感器节点主要由LM-PT100温度、M397666空气湿度和MQ-2烟雾传感器组成;信号传输部分以CC2430为控制芯片,采用ZigBee技术实现无线传感器网络自组网和数据传输;总控系统以嵌入式微处理器2410为硬件平台,结合Linux操作系统和ADS1.2集成开发环境.设计了基于粗糙集、BP神经网络和D-S证据理论相结合的融合算法:粗糙集对数据进行约简,神经网络对约简后的子集进行分类识别,证据理论对每个子集的分类识别结果进行融合决策.运行结果显示:该系统与常规的“望台观测”、“地面巡护”等森林监控方法相比,能以更快的速度和效率预防并扑灭森林火灾.     

基于神经网络信息融合技术的应用

本文在简述信息融合技术和BP诊断神经网络的基本概念之后，进行了BP神经网络信息融合故障诊断的应用研究，并将其应用到电路板元件故障诊断之中。从结果看，信息融合技术能较好地解决故障诊断的不确定性问题，是可行的和有效的。