基于神经网络与d-s证据理论的数据融合损伤识别技术

《基于神经网络与d-s证据理论的数据融合损伤识别技术》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、沈阳建筑大学硕士学位论文基于神经网络与D-S证据理论的数据融合损伤识别技术姓名：张春梅申请学位级别：硕士专业：结构工程指导教师：姜绍飞2007-01硕士研究生学位论文摘要I摘要　本文以土木结构的健康诊断为研究对象。在对国内外研究现状进行深入分析的基础上，给出一种基于神经网络和D-S证据理论相结合的信息融合的损伤识别方法，并对该方法运用算例进行了验证。　首先从结构损伤检测目前的研究现状开始，分析了结构健康诊断的必要性及其现实意义。回顾了传统的损伤检测的方法及其优缺点，说明在日趋复杂的结构体系中亟待于新的诊断方法的研究和应用。　其次，从神经元结构模型和传递函数入手，详细地分析了

2、神经网络结构和函数映射、BP神经网络的特点，说明了神经网络应用于损伤检测的可行性。选用了目前广泛应用的BP神经网络进行神经网络损伤检测的仿真实验。从D-S证据理论的基本概念和合成规则入手，分析了证据理论应用于信息融合的有效性，然后，设计了一个基于BP神经网络和D-S证据理论的信息融合损伤识别系统，从待诊断结构体系的所获信息的特点入手，运用BP神经网络进行初步诊断，然后将诊断结果转化为基本概率赋值，再利用D-S证据理论进行融合，文中通过一个７层剪切型建筑模型进行仿真实验，结果显示，运用D-S理论进行融合后的结果比单一BPNN识别的结果有显著提高。　再次，文中还介绍了一种基于统计原

3、理的神经网络模型，即概率神经网络。鉴于概率神经网络比BP网络训练速度快，可以直接得到基本概率赋值等优点，笔者又提出了一种将概率神经网络与证据理论融合的损伤识别新方法，并通过算例分别用单一概率神经网络和信息融合的方法进行两种噪声下的损伤识别，并对识别结果进行比较和分析。结果表明，在同等噪声水平下，笔者所提方法比单一概率神经网络决策及BP网络决策的结果更准确、可靠。识别结果同时也表明了噪声是影响神经网络识别精度的一个很重要的因素。总之，文中所提出的基于概率神经网络和D-S证据理论的信息融合损伤识别框架及方法具有较好的容错性和识别精度，实例证明该方法具有实用性和有效性。　最后，通过实

4、验室的静力实验确定了７层钢框架的层间刚度，然后通过对该结构模型施加随机动力荷载，测得各层加速度响应，运用信号处理技术提取结构模态特征参数；进而对所提取出的频率特征值运用不同的损伤识别方法进行识别、比较。　　关键词：结构损伤检测；神经网络；BP网络；概率神经网络；D-S证据理论；信息融合IIAbstract硕士研究生学位论文AbstractStructuralhealthdiagnosisisobjectofthisthesis.Basedonanalyz-ingthecurrentlydomesticdomesticandforeignstudy,itgivesanewda

5、mageidentificationtechniquebasedonneuralnetnetandD-Sevidentialtheory,anditisconfirmedbyusingmathematicalexamples.Firstly,thepresentsituationofstructuraldamageexaminationresearchisgived,thestructuralhealthdiagnosticnecessityandpracticalsignificancearediscussed.Studyingthetraditionaldamageexam

6、inationmethodsandtheirgoodpointsandshortcomings,thestudyandapplicationofnewdiagnosticmethodsareurgentlyrequiredinthefurthercomplexstructuralsystem．Secondly,startedwithneuronmodeandtransferfunction,wediscussthenetworkstructionandthefunctionmapping,thecharacteristicofBPnet,itshowsthatneuralnet

7、usedforthedamageexaminationisfeasible.TheneuralnetworksimulationexperimentofdamageexaminationisdonebyBPneuralnetworkwhichisappliedwidespreadlyatpresent.BeginningwiththebasicconceptionandmergingrulesofD-Sevidentialtheory,itshowsthatD-Sevidentialtheo