在結構損傷識別中的比較研究歸納的學習方法

時間：2022-10-06 03:31:19 學習方法

　　摘要結構損傷識別是一個熱門的研究課題。

在結構損傷識別中的比較研究歸納的學習方法

　　一些歸納學習方法已經(jīng)被使用來解決這個問題。

　　在這篇文章中，采用分治法（DAC）、變治法（SAC）、裝袋學習算法（Bagging）、徑向基神經(jīng)網(wǎng)絡（RBFNN）四種不同的機器學習方法來對混凝土懸臂梁進行損傷位置的研究。

　　結果顯示歸納學習方法特別是裝袋學習方法在噪聲程度超過50%時明顯好于神經(jīng)網(wǎng)絡方法。

　　關鍵字結構損傷識別分治法變治法裝袋學習算法神經(jīng)網(wǎng)絡1 引言土木工程結構如房屋建筑、橋梁、海洋平臺等由于地震、火災、颶風等自然災害或長期作用的疲勞、腐蝕等原因而產(chǎn)生不同程度的損傷，結構損傷經(jīng)過長期的累積必然會導致結構發(fā)生破壞或使用性能降低。

　　因此，及早的發(fā)現(xiàn)建筑結構中所存在的損傷，對其發(fā)生的程度及位置進行分析識別成了當前國內外學術界、工程界極為關注的重大研究課題[1]。

　　機器學習是人工智能發(fā)展中一個十分活躍的領域。

　　機器學習的發(fā)展極為迅速，應用亦日益廣泛，出現(xiàn)了很多優(yōu)秀的學習算法。

　　近年來出現(xiàn)了一些使用機器學習方法來預測結構損傷的程度和位置，通常這些方法不僅能夠處理健康數(shù)據(jù)，而且對有噪聲、不確定或不完整的信息有很精確的預測性。

　　以前的研究大都是使用徑向基神經(jīng)網(wǎng)絡方法，并取得了不錯的效果。

　　但是，運用神經(jīng)網(wǎng)絡方法也有一些缺點，如不易用它的權重層和晦澀的轉化來解釋結果模型，而且使用神經(jīng)網(wǎng)絡方法需要較長的學習時間，當數(shù)據(jù)很大時，性能可能出現(xiàn)問題[2]。

　　本文中，我們先介紹分治法（DAC）、變治法（SAC）、裝袋學習算法（Bagging）、徑向基神經(jīng)網(wǎng)絡（RBFNN）四種歸納學習方法，并通過這四種方法對一混凝土懸臂梁進行損傷位置的識別。

　　2 學習和識別方法2.1 分治法（Divid-and-Conquer, DAC）分治法（Divid-and-Conquer, DAC）也叫做遞歸劃分(Recursive Partitioning, RP)，它能夠分級構造有組織的規(guī)則（決策樹）。

　　分治法的基本思想是將一個規(guī)模為n的問題分解為k個規(guī)模較小的子問題，這些子問題互相獨立且與原問題相同。

　　遞歸地解決這些子問題，然后將各子問題的解合并得到原問題的解[3]。

　　它的一般的算法設計模式如下：divide-and-conquer(P){if(|P|

【在結構損傷識別中的比較研究歸納的學習方法】相關文章：