基于人工神经网络(BP)的混凝土抗裂性能指标预测.pdf

《基于人工神经网络(BP)的混凝土抗裂性能指标预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、西北水电·2010年·第2期文章编号：1006-2610(2010)02—0028—03基于人工神经网络BP)的混凝土抗裂性能指标预测王红强(中国水电顾问集团西北勘测设计研究院，西安710065)摘要：通过对人工神经元及BP网络的简要介绍，结合三峡工程大坝混凝土试验实测数据，应用人工神经网络的理论和方法，利用MATLAB语言编制了基于神经网络理论的混凝土抗裂指标预测程序，实现了对混凝土抗裂指标值的预测，证明了人工神经网络在混凝土抗裂指标预测方面的可行性与可靠性。关键词：神经网络；水工混凝土；抗裂性能；预测中图分类号：TP183；TV431文献标识码：APredictionofc

2、oncretecrack—resistantperformanceindexbasedonartificialneuralnetwork(BP)WANGHong—qiang(No~hwestHydroConsultingEngineers，CHECC，Xihn710065，China)Abstract：ThepaperbrieflydescribestheanificizlneuralelementsandBPnetwork．BasedonthemeasureddatafromtestonconcreteofThree—GorgesDam，andapplyingthetheor

3、yandmethodofartificialneuralnetwork，thepredictionprogramofconcretecrack—re—sistantindexispreparedbyuseofMATLABlanguage，whichrealizesthepredictionofconcretecrack—resistantindexvalueandprovestheavailabilityandreliabilityofartificialneuralnetworkinthepredictionofconcretecrack—resistantindex．Key

4、words：neuralnetwork；hydraulicconcrete；crack—resistantperformance；prediction反传播的算法(BP算法)，从而实现了Minsky关于1人工神经元模型多层网络的设想。人们也常把按误差反传递算法训人工神经网络的基本构成是神经元，神经元的练的多层前馈网络直接称为BP网络，网络的结构基本数学模型如图1所示。如图2所示。其中，：，⋯，是神经元的输人，即来自前级BP网络是一种2层或2层以上的阶层型神经n个神经元轴突的信息；0是i神经元的阈值；∽网络，即输入层、隐层和输出层。上下层之间各神经W：一，分别是i神经元对，，⋯，

5、权值连元实现全连接，而每层各神经元之间无连接。BP算接，即突触的传递效率；yI是i神经元的输出．-厂是传法是在教师指导下，适合于多层神经元网络的一种递函数，决定i神经元受到输入，，⋯，的共同学习，它是建立在梯度下降法的基础上。网络的学作用达到阈值时以何种方式输出。习过程由正向和反向传播2部分组成。在正向传播过程中，每一层神经元的状态只影响下一层神经元2BP网络2．1BP网络模型1986年Rumelhart和McClelland领导的科学家_l●●-小组在《并行分布处理》一书中，对具有非线性转移●：函数的多层前馈网络的权重进行调整，提出了误差％收稿日期：2009-07-1O作者简

6、介：王红强(1983一)，男，陕西省宝鸡市人，助理工程师从事水利水电工程设计工作．图1神经元的数学模型西北水电·2010年·第2期29网络。如果输出层不能得到期望输出，就是实际输3水工混凝土抗裂性能指标预测工出值和期望输出值之间存在误差，从而转入反向传程实例播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次向输入层传播去计算(故得由于混凝土抗裂性能的所有影响因素数据在短名“误差逆传播算法”)，再经过正向传播过程，这2期内难以收集完整，所以在测试时使用了部分影响个过程反复运用，使得误差信号最小⋯。因素的数据，但这仍能测试出预测网络的性能。表2．2BP网络训练模式1

7、¨2为三峡工程大坝混凝土配合比设计及性能试验标准的BP算法采用的是批处理模式。所谓批的部分实测数据。处理模式就是利用所有样本数据正向运行一次，计表1抗裂指标及其影响因素数据表算所有全部训练样本的梯度之和，再反传修改连接权一次，这样反复地训练直到获得合适的映射结果或达到预定的学习次数。另一种改进的训练方法是单样本训练方法(也称在线方式)，即每次把一个训练样本提供给网络作一次正向计算，然后把这个误差反向传播并调整权值，再进行下一个样本的学习，全部样本训练完后以最后一次修正的连接权考察输入误差，如