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。     

基于遗传算法和BP神经网络的结构损伤识别

鉴于BP神经网络需要较长的训练时间、易陷入局部极小值、网络权值和阈值难确定等不足。运用遗传算法全局寻优的特点对BP网络的权值和阈值进行优化。同时运用遗传算法进行网络训练,避免网络收敛于局部极小值。通过对一根单梁实验数据的识别,结果表明两者的结合能对结构进行准确的识别。     

遗传算法在神经网络权值优化中的应用

讨论了基于遗传算法的神经网络权值优化问题,并通过实验仿真将该算法与BP算法进行比较,从而验证了该算法的可行性与有效性。     

结构损伤状态识别的神经网络方法

分析了神经网络方法用于结构状态识别的可行性，提出了现有神经网络用于结构状态识别解决的问题和改进的方法，并针对梁类结构的裂纹识别，做了尝试性的探索。     

基于神经网络的结构边界条件识别和损伤诊断

结构边界条件识别和损伤诊断,对于实验室条件下研究结构的动力特性具有重要的实用价值,本文提出了以子网为基础的分区组合式神经网络模型,并以钢筋混凝土梁在静力作用下的挠度作为特征参数,实现了结构的边界条件识别和损伤诊断。     

基于遗传算法的神经网络权值优化

针对BP算法学习效率低、收敛速度慢，以及易陷入局部最优等缺点，提出了一种新型的、基于自然选择和基因遗传学原理的随机搜索算法——遗传算法(Genetic Algorithm)，并论述了它在BP神经网络中权值优化的问题。仿真结果表明，用遗传算法优化BP神经网络的权值收敛速度快，并有效解决了BP算法易陷入局部最优的问题。     

基于神经网络的土木工程结构损伤识别研究

本文从土木工程结构损伤识别出发,探索神经网络在土木工程结构损伤识别中的运用。论文首先阐述人工神经网络在土木工程结构损伤识别中应用的可行性,然后具体分析了基于人工神经网络技术的结构损伤识别。     

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．     

钢板结构损伤的自适应神经网络识别

探讨了动量系数和学习率自适应调整的神经网络算法.以反映结构损伤位置和程度的固有频率作为神经网络输入的特征参数,利用有限元法对钢板结构裂纹损伤位置和程度进行数值模拟,获取训练样本数据,通过自适应神经网络对结构裂纹损伤识别问题进行了定性定量研究.结果表明,采用自适应神经网络技术对钢板等工程结构进行损伤特征识别分析是可行的.     

基于遗传算法的神经网络油水层识别

文章研究了基于遗传算法的神经网络油水层识别方法,针对神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,提出了基于粗集属性约简方法降低了输入信息的空间维数、减少了运算量和简化了神经网络的拓扑结构,利用遗传算法提高神经网络的训练速度。实验结果表明:将混合智能计算方法应用于油水层识别中效果显著,其学习训练速度和拟合精度远优于传统BP神经网络算法。     

基于ANN和GAM的结构可靠度分析方法

介绍采用人工神经网络(ANN)和遗传算法(GAM)求解结构可靠度问题的可行性,并使用Matlab语言 编程进行仿真．阐述ANN的样本选择,模型建立网络的稳定性和精度,并得到实例验证．同时,介绍在 GAM中使用十进制编码的实现方法,以及求解约束收敛适应度的自适应调整方法,经修改淘汰法则,显著 加快求解收敛速度．为结构可靠度的智能分析奠定良好基础．     

基于分级遗传算法的结构损伤识别方法

提出了一种基于遗传算法的利用不完整振动数据识别结构损伤的新方法，该方法首先扩展不完整的振型并利用单元能量熵差比确定结构损伤的大致位置，然后采用二级搜索策略，借助遗传算法确定结构损伤的程度，数值计算结果表明，当可能的损伤区域较大时，本方法较直接搜索策略更能有效地确定结构损伤的程度。     

基于曲率模态和神经网络的分步损伤识别法及其在桥梁结构中的应用

神经网络用于损伤识别遇到的最大问题就是训练样本数量的组合爆炸问题,单纯用神经网络进行损伤诊断有很大困难．提出了一种两步识别法来进行损伤诊断,即先采用结构的曲率模态,定义一个新的损伤指标,判断损伤位置,再利用BP神经网络精确识别损伤程度;运用两步识别法对一座混凝土连续刚构桥进行了损伤位置与损伤程度的识别．识别结果表明,对于2个单元和3个单元损伤的情况,分别只需16个和64个损伤样本就能取得满意的识别结果,大大减少了单纯利用神经网络进行损伤识别所需的损伤样本．     

基于结构测试的损伤诊断方法研究

从结构测试的角度论述了结构损伤诊断方法．该方法以结构测试为基础，将测试数据与模型分析结果进行综合分析比较，从中得到结构刚度等参数变化的信息，实现结构的损伤判别与定位定量分析．按测试方式的不同可分为基于静力测试的损伤诊断法、基于振动测试的损伤诊断法以及基于振动和静力综合测试的损伤诊断法．其中基于振动测试的损伤诊断法可进一步分为直接的系统识别方法、损伤指标法和有限元模型修正法．指出了损伤诊断方法的研究现况及存在问题，对今后研究的方向作了展望．     

基于遗传算法的热物性参数辨识

为了提高热物性参数辨识的准确度,将遗传算法(genetic algorithm)应用于热物性参数辨识,提出了完整的数学模型.数值模拟结果表明,此法具有相当的精确度,不但没有造成噪声放大,而且还对噪声进行了过滤,使得输出噪声比输入噪声小了许多,成功克服了反问题中误差累积放大的弱点.本算法应用的唯一前提是相应的正问题可解.该算法很容易应用到其它热物性参数辨识和其它类型的反问题中.     

基于遗传算法的碰摩位置辨识

为了在旋转机械故障诊断中确定转子碰摩的位置,提出了一种基于遗传算法的确定多盘转子系统碰摩位置的方法.该方法的基本思路是先建立碰摩转子系统的有限元模型,并将碰摩位置、定子刚度、定转子之间的间隙、系统的阻尼系数和定转子之间的摩擦因数等参数识别问题转化为多参数优化问题,进而利用遗传算法进行优化求解实现碰摩位置的识别.实验结果表明该方法在碰摩发生后能够有效地确定碰摩故障发生的位置.     

基于改进遗传算法框架结构损伤识别

为了准确快速地对结构进行健康检测,文章将遗传算法用于框架结构的损伤识别,以刚度系数损伤因子为设计变量,计算与测量出的结构固有频率和振型加权组合差值为目标函数;针对基本算法在选择交叉率和变异率时的问题,对遗传算法的选择算子、交叉算子和变异算子流程进行了改进;将操作算子并行地施加在父代个体上,提高交叉率和变异率至100%,同时,对相似个体施加惩罚算子,以保持个体的差异性,既保存了父代中的较优个体,又不至于陷入局部最优。3层的钢框架单变量和多变量损伤算例分析结果表明,改进遗传算法能较好地识别出结构的损伤位置和损伤程度。     

基于神经网络的非线性系统辨识

基于神经网络实现了非线性系统的分析,给出了计算实例,实验结果表明了方法的有效性。