前言：本站為你精心整理了建筑結(jié)構(gòu)非線性行為預(yù)測(cè)方法研究范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

【摘要】人們對(duì)建筑結(jié)構(gòu)非線性理論的研究越來(lái)越深入，然而由于非線性行為的復(fù)雜性與不確定性特點(diǎn)，導(dǎo)致其研究的難度也在不斷加大。文章對(duì)于一個(gè)復(fù)雜的非線性系統(tǒng)，擬建一種基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測(cè)方法，并對(duì)此展開了深入地探討與分析。

【關(guān)鍵詞】機(jī)器學(xué)習(xí)；建筑結(jié)構(gòu)；非線性行為；預(yù)測(cè)方法

1引言

近年來(lái)，隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，在建筑結(jié)構(gòu)非線性行為的識(shí)別方面，已經(jīng)有了很多的研究成果并且取得了不錯(cuò)的成果和進(jìn)展。但目前的方法大多是針對(duì)單個(gè)個(gè)體研究并提出模型或者算法，對(duì)復(fù)雜的非線性系統(tǒng)，沒(méi)有一種有效的辨識(shí)方法能夠同時(shí)滿足所有條件，所以本課題擬建立一種基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為識(shí)別方法。

2基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為識(shí)別方法

在進(jìn)行結(jié)構(gòu)動(dòng)力學(xué)的研究中，通常會(huì)用到諸如神經(jīng)網(wǎng)絡(luò)、貝葉斯分類算法等一些基本的方法和模型。其中，貝葉斯方法是一種比較常用的預(yù)測(cè)方法，它可以將復(fù)雜的對(duì)象通過(guò)建立數(shù)學(xué)方程，再經(jīng)過(guò)一系列計(jì)算求出結(jié)果。因其準(zhǔn)確率高，易于理解，所以被廣泛應(yīng)用于分析橋梁的受力情況。但對(duì)于實(shí)際的結(jié)構(gòu)而言，其受力的狀態(tài)可能不是很理想，因此在使用這種方法時(shí)，需要對(duì)其各種參數(shù)進(jìn)行人工優(yōu)化，從而提高工作效率。目前，貝葉斯法則是用來(lái)解決非線性問(wèn)題的重要工具之一。神經(jīng)網(wǎng)絡(luò)是以生物大腦神經(jīng)元為中心的知識(shí)體系，是一種以信息處理系統(tǒng)為核心的智能神經(jīng)系統(tǒng)。它具有能學(xué)習(xí)、自適應(yīng)和自組織的特性等特點(diǎn)，因此在人工智能領(lǐng)域有著廣泛的應(yīng)用前景[1]。目前，基于機(jī)器學(xué)習(xí)的結(jié)構(gòu)非線性行為識(shí)別方法主要有兩種：第一種是從模仿輸入的方式進(jìn)行分類，這種方法的理論基礎(chǔ)在于神經(jīng)元從不同角度感知外界的刺激，并將其轉(zhuǎn)換成相應(yīng)的形式；第二種則是通過(guò)模擬輸出的方式對(duì)其進(jìn)行識(shí)別。

3機(jī)器學(xué)習(xí)方法介紹

1）人工神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和應(yīng)用利用計(jì)算機(jī)的非線性映射技術(shù)，通過(guò)對(duì)輸入樣本的自適應(yīng)訓(xùn)練，實(shí)現(xiàn)非線性模型的自適應(yīng)變化。2）基于統(tǒng)計(jì)學(xué)習(xí)的算法和貝葉斯估計(jì)方法的組合權(quán)重法該方法是一種基于概率知識(shí)的隨機(jī)模擬過(guò)程，其目的在于揭示出隱藏在數(shù)據(jù)中的潛在規(guī)律，從而達(dá)到預(yù)測(cè)的作用；而貝葉斯法則是根據(jù)人腦的信息處理能力，結(jié)合專家系統(tǒng)進(jìn)行推理，尋找出具有特定隱含關(guān)系的對(duì)象或函數(shù)。3）混合學(xué)習(xí)的使用與研究首先，將現(xiàn)有的機(jī)器學(xué)習(xí)理論與新的人工智能、模式識(shí)別等前沿科技成果相結(jié)合，再將兩者的優(yōu)點(diǎn)融合，運(yùn)用到自己的程序編寫中。這種方法的特點(diǎn)就是靈活性強(qiáng)，可以很好地解決傳統(tǒng)的分類問(wèn)題。其次，先對(duì)已有規(guī)則的特征屬性重新構(gòu)造，然后再考慮新的規(guī)則參數(shù)，最后采用適當(dāng)?shù)臎Q策樹生成初始的規(guī)則類。

4基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測(cè)方法

4.1性能評(píng)估

1）模型的準(zhǔn)確性對(duì)于一個(gè)結(jié)構(gòu)復(fù)雜的非線性行為，首先要對(duì)其建模，然后再對(duì)其進(jìn)行分析評(píng)價(jià)，這就需要建立比較完善的數(shù)學(xué)工具，并給出相應(yīng)的算法。2）計(jì)算的精確度在對(duì)非線性行為的模擬過(guò)程中，要保證所選的非線性量的大小與輸入的數(shù)據(jù)是一致的。3）可驗(yàn)證性可以根據(jù)實(shí)際的實(shí)驗(yàn)結(jié)果判斷所設(shè)計(jì)的程序是否滿足要求，如果該程序不能正確運(yùn)行，則會(huì)導(dǎo)致整個(gè)系統(tǒng)出現(xiàn)錯(cuò)誤，甚至可能造成無(wú)法挽回的損失。因此，必須考慮各種因素的影響，以及其他相關(guān)指標(biāo)，以確保最終預(yù)測(cè)方法的有效性和可靠性[2]。而在這里考察的是該方法的可行性和精確性，所以還應(yīng)包括該方法的成本、效率等。

4.2基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測(cè)模型的構(gòu)建

由于神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)過(guò)程中的獨(dú)特優(yōu)勢(shì)，其強(qiáng)大的自適應(yīng)能力和自學(xué)習(xí)的特性使它在實(shí)際的非線性狀態(tài)下，也能夠取得比較理想的效果。基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測(cè)模型的構(gòu)建，主要分為：①輸入層，人工神經(jīng)元的數(shù)量、類型及處理速度等都會(huì)影響到輸出的準(zhǔn)確性；②樣本挖掘，對(duì)數(shù)據(jù)的預(yù)處理工作，如噪聲的去除、信號(hào)的濾波等；③模型的訓(xùn)練，對(duì)模型的參數(shù)估計(jì)，包括邊界條件的確定和權(quán)重的設(shè)計(jì)；④算法的選擇，不同的方法所需要的計(jì)算量不一樣，但都要有合理的范圍來(lái)選取合適的方法進(jìn)行分析。在研究過(guò)程中，可以從特征提取的角度出發(fā)，針對(duì)三種常用的識(shí)別方法，加上統(tǒng)計(jì)學(xué)習(xí)法，結(jié)合多種辨識(shí)策略的優(yōu)缺點(diǎn)，選用了其中一種用來(lái)檢測(cè)模糊聚類的最適合的方法-KNN算法。

4.3結(jié)構(gòu)非線性行為預(yù)測(cè)

結(jié)構(gòu)非線性行為預(yù)測(cè)是指利用結(jié)構(gòu)參數(shù)的變化特征，通過(guò)某種特定的方式對(duì)非線性系統(tǒng)進(jìn)行建模，并根據(jù)模型的預(yù)測(cè)結(jié)果對(duì)其狀態(tài)或性能做出判斷，從而實(shí)現(xiàn)控制的一種技術(shù)。隨著計(jì)算機(jī)的發(fā)展和應(yīng)用，結(jié)構(gòu)非線性行為預(yù)測(cè)也有了新的方法：統(tǒng)計(jì)模式識(shí)別、聚類分析、支持向量機(jī)等新的神經(jīng)網(wǎng)絡(luò)算法[3]。聚類是指把一群相似的個(gè)體組成一個(gè)組，組內(nèi)的每個(gè)成員都可以按照一定的規(guī)則排列，形成群體的數(shù)據(jù)集。這種分類方法的優(yōu)點(diǎn)在于每一類的樣本數(shù)量少，便于訓(xùn)練集的輸入與輸出。但是由于其采用的樣本點(diǎn)的位置不同，導(dǎo)致無(wú)法將所有樣本采集到的數(shù)據(jù)集中到一組中，所以該方法只能用于少數(shù)的樣本線性問(wèn)題。而人工神經(jīng)元理論則能在處理類似人類大腦復(fù)雜計(jì)算的時(shí)候提供簡(jiǎn)單的運(yùn)算工具。

5結(jié)構(gòu)非線性行為預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

結(jié)構(gòu)非線性行為預(yù)測(cè)是根據(jù)結(jié)構(gòu)的實(shí)際使用情況，通過(guò)模型的建立和試驗(yàn)驗(yàn)證，對(duì)結(jié)構(gòu)進(jìn)行狀態(tài)估計(jì)，以確定其未來(lái)的發(fā)展趨勢(shì)，從而使其達(dá)到最佳的工作性能。研究基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)識(shí)別算法的設(shè)計(jì)與實(shí)現(xiàn)，首先需要根據(jù)線性回歸預(yù)測(cè)的基本原理，進(jìn)行數(shù)據(jù)的選擇、樣本的分類、訓(xùn)練集的選取等；然后給出利用人工神經(jīng)元的自適應(yīng)學(xué)習(xí)方法，對(duì)非線性項(xiàng)系數(shù)進(jìn)行預(yù)判步驟；最后將該方法應(yīng)用到不同的復(fù)雜系統(tǒng)，并與傳統(tǒng)的BP優(yōu)化技術(shù)相結(jié)合，最終得到一個(gè)最優(yōu)的結(jié)果指導(dǎo)結(jié)構(gòu)的正常運(yùn)行。

5.1系統(tǒng)功能模塊

5.1.1輸入數(shù)據(jù)的預(yù)處理。根據(jù)本課題所建立的模型，以及所得到的相關(guān)參數(shù)，對(duì)其進(jìn)行了特征提取和標(biāo)準(zhǔn)化，并將其與標(biāo)準(zhǔn)中的要求相比較，從而確定了最終的輸出結(jié)果。5.1.2辨識(shí)輸入變量。在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，首先對(duì)樣本集的類型和數(shù)量進(jìn)行預(yù)判，然后利用BP算法對(duì)BP問(wèn)題的權(quán)值進(jìn)行修正，最后將其應(yīng)用到實(shí)際的非線性狀態(tài)量當(dāng)中。通過(guò)這樣的方式實(shí)現(xiàn)對(duì)非線性行為的識(shí)別、估計(jì)。具體流程如下：①在初始化時(shí)就把待識(shí)別的對(duì)象定義為一個(gè)新的輸入量，設(shè)置好之后，再去計(jì)算這個(gè)新的輸入量；②每次的運(yùn)算都需要重新設(shè)定；③當(dāng)使用人工時(shí)，只需知道它的誤差項(xiàng)，就可以去執(zhí)行，同時(shí)也要保證它的精度，當(dāng)我們的任務(wù)完成時(shí)，也就是被認(rèn)為是一件事情已經(jīng)做完，或者說(shuō)這件事還沒(méi)有開始之前，那么這段時(shí)間內(nèi)，所有信息都被記錄并保存起來(lái)（見(jiàn)圖1）。

作者:楊雨苔 黎志強(qiáng) 杜林 張帆 單位:肇慶開放大學(xué)