残余力向量结构损伤诊断的神经网络方法

以残余力向量作为结构参数识别的网络输入,针对训练样本在数据空间分布不均匀的状况,提出了一种基于残余力向量结构参数识别的神经网络方法,并采用GSL变换对训练样本数据进行预处理,从而提高网络收敛速度及参数的识别精度,文中算例证明了该方法的有效性。     

基于输出响应的识别结构参数的神经网络方法

讨论了在输入未知时结构模态参数基于频率响应函数的神经网络识别方法 ,并研究了不同的噪声水平和网络输入层结点数目的变化对网络输出误差的影响 .讨论了网络对不同阶数模态参数的识别精度 .数值结果表明该方法是可行的     

利用组合模态参数识别结构损伤的神经网络法

采用组合模态参数在有限元模型基础上对结构损伤进行了识别.同时考虑了噪声输入情况下,即存在数据误差时神经网络的损伤识别能力.结果表明,以组合模态参数作为网络输入参数,并通过学习训练所得网络不仅具有理想的损伤识别能力,还具备良好的容错性和鲁棒性.     

机械结合面阻尼参数识别的一种方法

提出一种基于实测传递函数矩阵来识别机械结构面阻尼参数的新方法。该方法不淑及机械结构的质量矩阵和刚度矩阵,从而避免了这两种矩阵模建误差对阻尼参数识别精度的影响。     

基于人工神经网络的钢结构损伤识别

由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中,本文根据网络参数选择的原则建立了一个三层BP神经网络结构损伤识别模型,对一简支钢板进行了分析。为避免单一频率或模态振型作为输入向量带来的误差,选用与损伤位置和程度相关的组合参数：即结构损伤前后的频率变化平方和少点模态振型作为输入参数。利用训练好后的网络对损伤模型进行诊断和预测,取得了较好的效果。     

基于大爆炸优化算法的结构参数识别

作为一种新颖的优化工具,大爆炸算法（Big Bang-Big Crunch optimization,BB-BC）被成功应用于很多复杂优化问题。结构参数识别一直是结构健康监测的核心问题,利用BB-BC算法进行结构参数识别的研究。该方法的基本思想是通过最小化识别模型与实际结构系统响应的误差,从而将参数识别问题转化成一个多峰值非线性非凸的优化问题,并利用BB-BC算法发现系统参数的最优估计。利用BB-BC算法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了参数识别,并与基于遗传算法（GA）、粒子群（PSO）的参数识别方法进行了比较。结果表明：该方法可以成功地应用于结构参数识别,识别效能更优越。     

结构损伤识别的样条函数方法

结构参数识别方法是目前结构损伤识别领域中最有效的工具之一，在结构参数识别过程中引入样条函数方法，避免了传统有限元方法带来的庞大刚度矩阵的负面影响。从而提高了识别过程的计算稳定性及计算效率。算例表明识别结果能够应用于结构损伤部位及程度的判别。     

复杂结构刚体惯性参数识别方法与试验

为了高效精确地识别复杂结构刚体的惯性参数,基于频响函数质量线法,设计了惯性参数识别试验装置。采用多体动力学仿真分析了系统刚度与阻尼、噪声、激励点坐标误差、响应点坐标误差、激励角度误差以及传感器安装角度误差对惯性参数识别精度的影响规律。借助搭建试验装置,对已知惯性参数的样件进行识别,惯性参数误差都在5%以内。表明基于频响函数质量线法的试验装置可以高效精确地识别复杂结构刚体的惯性参数。     

不中断运营的既有桥梁模态参数识别

为了在不中断桥梁运营的前提下使结构模态参数识别结果更精确,采用随机子空间方法对汽车荷载和环境激励共同作用下的不中断运营的桥梁结构进行模态参数识别研究,并采用一三跨连续梁的有限元模型进行了验证。结果表明,随机子空间方法可以识别汽车、环境共同作用下的桥梁结构模态参数识别,可以有效地识别环境激励下的不中断运营的桥梁结构的模态参数,拓展了随机子空间方法适用范围。     

基底输入未知条件下质量不确定结构损伤识别

针对结构各层有效质量和地震动输入均未知情况下的损伤识别问题,构造了不需要已知周围土壤、邻近结构和非结构构件影响的层间规格化刚度参数和阻尼参数,提出了一种新的逐层递推时域识别方法,给出了用规格化参数进行损伤识别的公式.为避免结构质量的影响,引入暂态影响参数和相关参数,并分析了质量误差对参数识别的影响.该方法利用测试数据时程直接进行结构损伤识别,并可反演出地震动时程.算例表明本方法切实可行.     

同步电机在线参数辨识的混合算法

根据输出误差法(OEM)、遗传算法和神经网络的优缺点,提出了一种同步电机参数在线辨识的四步法.由于OEM辨识参数需要较好的初值,文中首先用遗传算法在大范围内进行参数寻优,然后以此值作为OEM的初值进行迭代,再用OEM求得的结果训练人工神经网络,最后通过成功训练的神经网络在线辨识各种运行状态下的电机参数.这样使得传统的OEM参数辨识算法、遗传算法和神经网络在辨识参数方面充分地扬长避短,解决了单一算法的不足.在对一台111kVA、440V同步电机进行的仿真试验中,该方法在保证精度的前提下,辨识时间仅为0 008s.     

神经网络辨识方法及其在轧钢控制中的应用

利用人工神经网络的辨识理论和方法,进行轧制过程数学模型参数的在线辨识与修正.首先对轧制压力模型和温度模型进行分析,得到适于应用神经网络进行辨识和修正的轧制模型函数形式,选择并比较最速下降、递推最小二乘及共轭梯度训练算法,实现了离线的和在线的仿真与应用.仿真结果表明,将人工神经网络应用于轧钢过程的轧制模型辨识可以大大提高模型预报精度.     

神经网络方法在胃收缩识别中的应用

胃收缩运动在消化过程中起着重要作用．传统的测量胃运动的方法是侵 袭性的．本文提出一种运用人工神经网络由体表胃电图（ｅｌｅｃｔｒｏｇａｓｔｒｏｇｒａｍ） 无损识别胃收缩运动的方法．以５个受试者的胃电图作为训练集，另５个受试 者的胃电图作为测试集．以同时检测的与每段胃电图对应的胃腔内压力记录 作为评价标准，运用经过优化的具有单个隐层的反向传播神经网络，以分段 后的每段胃电图的时－频表征作为网络的输入，实验结果表明：识别胃运动静 止期的准确度达９０呢，识别收缩运动期的准确度达９４％．     

基于径向基函数神经网络的栅格图像非线性畸变校正

为了减小光电成像测量系统中存在的非线性畸变,提高测量精度,提出了一种基于径向基函数神经网络的图像畸变校正方法。提取带有桶形畸变的栅格图像中的栅格交叉点作为控制点,利用光学成像关系推算出栅格交叉点的理想无畸变位置,构成径向基函数神经网络的训练集。经过训练,可以确定径向基函数神经网络结构的优化参数。针对栅格图像进行了畸变校正实验,并与多项式变形法进行了比较。实验结果表明,所提方法能够自动、有效地校正图像畸变,效果优于多项式变形法。     

材料光学参数深度剖面重构的神经网络仿真与实验研究

本文主要研究材料光学参数剖面重构的人工神经网络方法,从仿真和实验两个方面验证了神经网络参数识别技术用于实际问题的可行性,运用统计方法和灵敏度分析研究了影响参数剖面重构质量的几个因素。此外,本文还提出了一种训练网络的新方法,即利用奇异值分解获得导热模型的特征向量,利用特征向量的随机组合生成样本训练网络,统计分析结果表明这种方法可有效的提高网络的识别能力。     

土压平衡盾构改性砂土离散元模型参数反演方法研究

首次将遗传神经网络与三轴试验离散元数值模拟有机结合,用于改性砂土颗粒离散元接触模型参数反演.反演目标是使三轴试验离散元模拟曲线与真实实验曲线误差最小,采用的求解策略是基于遗传神经网络的参数识别.三轴试验的离散元数值模拟为网络提供训练样本,遗传算法映射网络输入与输出样本之间的复杂非线性关系,改性土三轴试验的真实测量曲线为参数反演提供依据.以反演结果为接触模型参数的三轴试验离散元模拟曲线与真实实验曲线相吻合,为改性土离散元接触模型参数的确定提供了有效和准确的方法,为进一步的盾构密封舱压力分析奠定了基础.     

基于模型参考的锅炉燃烧系统神经网络控制和辨识

大纯时延、煤种多变和蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。对非线性延迟系统延迟时间的神经网络辨识方法进行了研究,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于神经网络动态补偿的模型参考自适应控制策略相结合,可用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明:这种神经网络模型对非线性大纯时延系统的控制具有控制速度快、鲁棒性能好等优点。     

基于实值遗传算法的模糊神经网络辨识器

提出了一种基于实值遗传算法(RVGA)的模糊神经网络辨识器·它常被用于非线性动态系统的辨识·通常模糊神经网络辨识器参数的训练采用反向传播学习算法(BP),但是用BP算法有训练时间长,容易陷入局部极小的问题·采用RVGA来训练模糊辨识器的参数,由于GA算法具有并行运算,多点寻优等特点,所以它运算速度快,容易实现全局寻优·传统的GA算法采用二进制编码,计算繁复且占用大量的空间·采用一种新的实数编码方法,在实数域上进行遗传运算,操作简便,特别适用于需要调整的参数较多的情况·仿真结果表明,该辨识器具有良好的逼近性能和较快的训练速度·     

基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.