基于二级神经网络集成的桥梁健康状态的融合评估方法

《基于二级神经网络集成的桥梁健康状态的融合评估方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据第36卷第2期2012年4月南昌大挚学报(理科版)JournalofNanchangUniversity(NaturalScience)V01．36No．2Apr．2012文章编号：1006-0464(2012)02—0201-04基于二级神经网络集成的桥梁健康状态的融合评估方法胡建鸿1，洪熊1，刘江华1，赵晖2(1．江西省教育考试院，江西南昌330033；z．南昌大学信息工程学院，江西南昌330031)摘要：实现对桥梁的监测并对桥梁健康状态进行评估可以有效提高桥梁的安全性。但在对桥梁进行监测时。参数众多，数据繁杂，难以通过简单传统的方法对桥梁健康状态进行准确评估。为了融合不

2、同类型监测参数和同一类型参数的多点异步数据．获得对桥梁的健康状态的一致性评估，提出了一种针对桥梁健康状态评估的基于二级神经网络集成的融合评估方法．以降低监测数据的多源融合过程的复杂度，提高桥梁健康评估的准确性。关键词：神经网络集成I信息融合；桥梁健康；状态评估中圈分类号：TP311文献标志码：AFusionassessmentmethodforbridgehealthystatebasedonintegratedtwo-levelneuralnetworkHUJian-hon91，HONGXion91，LIUJiang-hual，ZHAOHui2(1．JiangxiProvincia

3、lEducationExaminationAuthority，Nanchang，330033，China；2．CollegeofInformationEngineering，NanchangUniversity，Nanchang330031。China)Abstract：Thesecurityofthebridgecouldbeeffectivelyimprovedbymonitoringandevaluationonitshealthystatus．SincetherearetOOmanyparametersinthebridge'smonitoring，whicharecompl

4、exanddiffi—cult，itisactuallyhardtoobtainarelativelyaccurateassessmentofthebridgehealthstatususingthesire—pleandtraditionalmethod．Tointegratedifferenttypesofparametersandasynchronousdata，andgetcon—fortuityassessmentofthebridgehealthstatus，weproposedanassessmentmethodofbridgehealthstatus，basedont

5、wo-levelneuralnetworkintegration．Ourmethodwasverifiedtoreducethecomplexityofmulti-sourcemonitoringdatafusionprocessandimprovetheaccuracyofthebridgehealthassessmentbythesire—ulationcalculations．Keywords：neuralnetworkintegration；informationfusion；bridgehealth；stateassessmentl基于神经网络集成的桥梁健康状态评估方法基本

6、思想Solieh和Krogh为神经网络集成下了一个定义，即“神经网络集成是用有限个神经网络对同一个问题进行学习，集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定。咀1-23神经网络集成方法比使用单个神经网络进行状态评估的误差要小。假设桥梁健康状态评估网络集成由N个独立的神经网络分类器构成，假设每收稿日期：2011—12—20。作者简介：胡建鸿(1970一)，男，副教授。个网络以1一P的概率给出正确的分类结果，并且网络之间错误不相关，则该神经网络集成发生错误的概率p，为：ⅣrMlP。=∑川以卜p)N-。I>g⋯在P<1／2时，随N的增大而单调递减。因此，如果每个神

7、经网络的预测精度都高于50％，并且各网络之间的错误不相关，则神经网络集成中的网络数目越多，集成的精度就越高。当N趋向于无穷时，集成的错误率趋向于0C”“。采用神经网络集成的这万方数据·202·南昌大学学报(理科版)2012燕种特点，对桥梁监测数据进行分级训练，获得对桥梁健康状态的正确评估。本论文首先采用最小化分类误差为标准选择出相对于每一个输出分类的最佳网络，然后估计出最优线性权将个体网络集成起来形成理想分类。由于各个独立的神经网络并不能保证错误不相关，因