基于MATLAB神经网络的高层建筑结构选型研究

《基于MATLAB神经网络的高层建筑结构选型研究》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、V01．2No．3第2卷第3期2010年9月Sep．2010基于MATLAB神经网络的高层建筑结构选型研究马令勇刘功良姜伟(1．东北石油大学土木建筑工程学院，大庆163318；2．黑龙江八一农垦大学工程学院，大庆163319)【摘要】随着土木工程技术的发展，结构选型在高层建筑结构设计中的重要性越来越明显。但是由于高层建筑结构选型是一个非常复杂的问题，本文提出应用MATLAB神经网络方法对高层建筑进行结构选型。并用MATLAB语言编制了人工神经网络高层建筑结构选型专家系统使选型过程简单明了。结果表明此方法可行，可以帮助设

2、计人员选择恰当的结构型式。【关键词】MATLAB；神经网络；高层建筑；结构选型【中图分类号]TP183；TU355【文献标志码】A【文章编号】1674—7461(2010)03—0014—06高层建筑结构设计问题有其自身的复杂性，结选型研发系统，来对高层建筑进行结构选型，实验构体系选择余地的增大往往意味着选择不恰当的过程如图1。结构体系和类型的可能性也大大增加。因而，结构选型问题在高层建筑结构设计中的重要性空前凸显。1985年Maher和Fenves建立了高层结构初步设计专家系统HI．RISE，1994年BaileyS

3、F和SmithIFC建立了基于实例的初步结构设计系统图1BP神经网络的高层建筑结构选型研发系统流程图CADRE，[1998年到2000年SoibelmanL和Fen—ioskyPean．Mora分别提出并建立了支持高层结构概念设计的分布式多推理方法系统M—RAM。但是，1经典的BP神经网络及其算法实现在高层建筑结构选型方面，国内外尚未对其理论进BP神经网络由输入层、隐含层及输出层组成，行充分的研究，这是因为高层建筑结构选型是一个隐含层可以为一层或多层。一个3层BP神经网络非常复杂的决策问题，具有强烈的综合性，包含大结构

4、输入层、隐含层和输出层分别用i，j，t表示；各量不确定性(随机性、模糊性和未确知性)信息，所有n，P，q个神经元，同层节点间无关联，异层节点以高层建筑结构系统型式的优选问题，一直是工程问前向连接。设计过程中极富挑战性的工作之一，也是工程设计BP算法的实现步骤如下：理论研究的薄弱环节。本文通过阅读大量文献(1)计算各层神经元的输出值。隐含层输出：和分析高层建筑主要结构型式的特点以及适用范围，提取了高层建筑结构选型的主要控制因素，并=∑o+)(i=1，2，⋯，n√=1，2，提出以MATLAB为开发平台，应用MATLAB神经

5、网⋯P．k：1，2，⋯，m)(1)络工具箱建立了基于BP神经网络的高层建筑结构，【基金项目】黑龙江省教育厅科学技术研究项目(11513015)【作者简介】马令勇(1966一)，男，教授，主要从事土木工程方面的研究。Cq．基于MATLAB神经网络的高层建筑结构选型研究15===2，⋯，P·=1，2，2Levenberg，．Marquardt算法简介∑一，传统的BP算法具有收敛速度慢、局部级值等式中：n为规范化)的第k组训练样本；∞v／,为输入+缺陷，在实际应用中很难胜任，因此提出了很多改层至隐含层以及／隐含层至输出层的连

6、接权；0i，为2、，)进的算法，由于L—M算法具有收敛快、精度高等优隐含层及输出层的阀值为Sigmoid传递函数；m为点，所以本文利用L—M算法来训练BP神经网络。训练样本。其迭代公式为(2)计算各层的误差函数。+1=(j'oJ+叩)一．，r(7)输出层误差：式中：，为单位阵；，7为一个非负值。依赖于的幅。=(Y一C)C(1一C)(3)值，该方法光滑地在两种极端情况之间变化：即隐含层误差：Guass—Newton法叼一0和标准梯度下降法叼一∞，qk=[∑d·vj,1．k。(1一)(4)可作为BP神经网络的学习训练方法。

7、t—l网络权值和偏差的变化量：式中：Y，C分别表示期望输出和网络实际输出。=一(，n(：J+，)．，：r(8)(3)连接权值的修正。并以此不断来调整训练网络，直至达到目标要采用梯度下降法，修正各层连接权值。各层的求。由式(7)可知，L—M法实际上是Newton法和标连接权值修正量：准梯度下降法的结合，它综合了Newton法和标准梯(N+1)=vjt(Ⅳ)+d6；(N+1)=度下降法两者的优点。因此，以L—M算法设计的BPy(Ⅳ)+7／d；(N+1)=(Ⅳ)+叩efk0网络有着更高的精度和更快的收敛速度J。0(N+1)：

8、oj(Ⅳ)+77e(5)式中：叩为学习速率。3高层建筑结构选型的BP神经网络模型(4)随机选取训练样本集中下一个学习模式对提供给网络，重复步骤(2)～(5)，直至全部m个模由于高层建筑结构选型的影响因素有很多，如果将这些因素全部作为网络输入来处理，将使模型式对训练完毕即完成了训练样本集的一轮训练。变得极其复杂，也使网络学习过程变得