基于RBF网络的有源噪声控制

提出一种神经自适应噪声有源控制（ANC）的方法。应用RBF（Radial Basis Function)网络对噪声进行有源控制。针对RBF的网络特点,使用递阶遗传算法确定网络参数（连接权、隐节点中心和宽度），同时解决了网络拓扑结构的优化训练。利用RBF网络的有源噪声控制系统用于三维空间传播的宽频带空调噪声的降噪获得了良好的效果。     

随机梁式结构静力损伤识别的一种改进方法

针对已有的损伤识别方法会出现损伤误识别的问题,本文在已有方法的基础上发展了一种随机梁式结构静力损伤识别的改进方法。假定静力荷载下梁式结构初始模型参数（如弹性模量和几何尺寸等）及测量误差为随机量,给出已有的基于随机有限元模型的梁式结构静力损伤识别方法,并进一步提出了一种改进方法。该方法通过设定损伤概率指标的阈值和反复迭代对结构损伤识别进行改进。数值算例和简支梁静力试验表明,考虑初始模型的不确定性以及静力响应测量误差,本文方法相较已有方法可以更有效地识别梁式结构的损伤。     

基于遗传RBF网络的惯性测量组合模拟电路故障诊断

为解决惯性测量组合模拟电路的诊断不易定位到元件级故障的问题，提出了一种基于遗传RBF网络的智能诊断方法。该方法首先利用RBF神经网络快速准确识别故障的能力，以RBF的训练均方误差为遗传算法的适应度函数，依靠遗传算法强大的全局寻优能力实现故障特征选择。在特征选择的过程中，同时记录使训练均方误差达到最小的最优RBF网络，然后直接利用特征选择过程中训练好的最优RBF网络诊断故障，而无需利用特征选择后的训练数据对RBF网络进行再训练，简化了诊断步骤，同时增强了网络的抗干扰能力。仿真结果表明，该方法能有效去除冗余特征，准确诊断惯性测量组合模拟电路的故障，并有较好的抗噪能力，证明了该方法的有效性和可行性。     

基于Rayleigh-Ritz算法的梁裂缝损伤识别及试验研究

结构动态特性的变化则预示结构出现损伤，基于Ritz线性近似，文中提出一种裂缝损伤识别的方法，用以识别结构裂缝损伤位置及损伤程度。该方法分两步：首先用模态子空间近似关系．消去模态应变能表达式中的整体刚度矩阵和整体质量矩阵，避免模型误差对识别结果的影响。再采用计算向量空间夹角的方法分离损伤位置与损伤程度的耦合影响，进而识别出单元裂缝损伤位置；其次，识别损伤程度采用二次线性规划方法，不再计算特征值灵敏度。线性约束条件保证了二次规划问题的解是唯一的。模拟筒支梁几种裂缝损伤情况进行数值计算与模态试验，利用所得模态参数对该算法程序进行了验证，识别出了裂缝损伤的确切位置及损伤程度，并进行了误差对比。结果表明，该算法由于不用整体结构的数值模型，从而避免了边界条件、连接条件及材料特性参数等因素对识别结果的干扰，识别精度得到提高，将其用于结构损伤识别是可行的。     

基于有限测点信息的结构损伤识别柔度法

利用有限测点获得结构的模态参数，提出了基于有限测点的结构损伤识别的柔度法。该方法是通过仅考虑结构柔度的灵敏度分析，以结构各自由度的损伤信息为条件，选择对结构柔度变化敏感的自由度为测点，并利用有限测点的信息提出了结构完备模态振型的重建技术。在此基础上，对柔度矩阵做关于结构物理参数变化量的一阶泰勒展开，来确定结构单元的损伤因子对结构进行损伤识别。从而实现利用结构有限测点的模态信息来识别结构的损伤，解决了测试结构的模态振型的不完整给结构的损伤诊断带来的困难。通过数值算例说明了该方法的有效性。     

灰色相关性分析在结构静力损伤识别中的应用

基于灰色理论的相关性分析方法，首次提出了灰色曲率关联系数的概念并将其应用到结构的静力损伤识别中，提出了对局部损伤十分敏感的静态位移曲率置信因子SDCACi，通过该因子的大小对各节点所连接的单元是否会发生损伤进行精确的判断，然后运用最小二乘法对损伤区域的损伤程度进行识别．并将该方法应用于两端固支梁的损伤识别中，由识别结果可以证明：不论测量数据(用有限元仿真计算并考虑了测量误差)的多少，该方法对结构中的单损伤和多损伤都能进行准确的定位，因此该方法在大型结构及复杂结构的损伤识别中具有广阔的应用前景．     

基于L1正则化的随机梁式结构静力损伤识别方法

提出了一种结合摄动法和L1正则化方法的随机梁式结构静力损伤识别方法。考虑初始模型误差和测量误差的影响,建立了关于随机损伤指数的控制方程,并将摄动法和L1正则化方法相结合,对随机损伤指数的控制方程进行求解,进而从概率的角度对结构的损伤进行识别。损伤试验结果表明,和传统的最小二乘求解法相比,本文方法能够更为准确地识别多处局部损伤的位置及大小,对实际结构损伤检测具有较好的参考价值。     

古塔结构整体性损伤检测的微动测试技术应用研究

在古建筑结构保护中,无损伤或微损且便携快速的高精度检测手段以及识别结构损伤的方法一直是重要的研究课题。本文基于古塔结构的动力特性,建立了基于模态信息的古塔结构损伤识别方法,采用损伤前后结构的低阶模态信息差异进行损伤定位和损伤程度评估。首次用将该方法对典型砖木混合古塔结构——上海市松江方塔开展了研究。采用微动测试技术,获取损伤结构的动力特性参数(模态信息),采用数值方法计算获取结构未损伤模型的特征值。对测试参数及计算参数进行统一物理量的数据归一化处理后,利用结构的单元刚度矩阵作为诊断项,根据损伤表征向量进行了损伤定位及损伤程度评估。通过微动测试技术评价的结构整体损伤与以往的历史记录及测绘结果进行比较,得出结构7层、8层刚度损失最大,达到0.56,其次为第9层,达到0.78。     

基于位移响应协方差参数的数值仿真和实测损伤识别研究

本文使用结构位移响应协方差参数进行结构损伤识别，首先推导和建立位移响应协方差参数的解析公式，它是结构频率、振型和阻尼等模态参数的函数，结构物理参数的改变会导致该协方差参数的改变；对一个七层框架结构进行数值模拟分析来演示该方法的有效性，通过比较结构不同状态下各单元位移响应协方差参数CoD的分布曲线，研究各单元CoD与损伤程度的关系曲线，发现损伤位置处的CoD改变最大，其次是对称和附近单元，通过单损伤和多损伤工况研究分析，表明基于结构损伤前后CoD的改变，能成功判定损伤发生和识别出损伤位置，最后把该方法应用于一个实验室简支钢梁的损伤识别，通过对锤击振动下的加速度响应进行二次积分得到位移响应，并比较钢梁损伤前后的CoD，得到损伤概率向量，成功识别出损伤位置。该方法具有较好的噪声鲁棒性，无需结构分析模型，计算简便，具有较好的工程应用性。     

基于小波分析和变异系数的简支梁桥损伤识别

为了提高对桥梁结构损伤位置的识别精度及准确性,利用应变对结构局部损伤敏感的特性,提出了基于小波分析和变异系数的简支梁桥损伤识别新方法。在移动荷载作用下,对简支梁桥动态应变响应进行二进离散小波变换,将叠加在一起的多阶模态响应进行分离;根据差分法和统计参数,构建出低阶应变响应的变异系数双重曲率(Double Curvature of Variation Coefficient,DCVC)损伤指标。以简支梁桥作为研究对象,将所提方法通过有限元数值模拟和模型实验给予验证。研究结果表明:该方法成功摆脱了对健康结构响应数据的依赖,可以准确识别出简支梁桥不同位置不同程度的单处、多处损伤,且受移动荷载行驶速度的影响较小,在简支梁桥损伤识别研究中具有很好的识别效果。     

基于复数神经网络的粘弹性材料动态模量拟合方法

固体火箭发动机药柱粘弹性材料除具有弹塑性特性,还具有粘滞性,这一特性使得材料变形具有明显的时间效应,本构关系复杂,进行动态力学分析时,动态模量难以有效拟合．本文提出了一种基于(Levenberg-Marquardt, L-M)算法的复数神经网络拟合粘弹性材料动态模量的方法．通过广义Maxwell模型推导得到材料的动态模量表达式,以此构造未定网络参数为复数的神经网络,从而提供了一种输入、输出样本均为复数的神经网络解决方法．将实数L-M训练算法进行改进,衍生到复数领域,提出复数L-M训练算法．通过粘弹性材料实验,将实验数据时温等效转换,获得复数神经网络的训练及测试样本．通过对神经网络进行训练,实现粘弹性材料动态模量的高精度拟合．数值算例表明,与传统神经网络拟合方法相比,所提方法在训练速度和泛化能力方面都有其优越性．     

结构损伤的小波分形神经网络检测

用神经网络进行结构损伤检测、分析的有效性在很大程度上取决于训练样本的好坏。小波变换在时域和频域都具有表征信号局部特征的能力,小波包分析利用可以伸缩和平移的可变视窗能够聚焦到信号的任意细节,因此对有损伤的结构的非线性动力特性能进行有效的分析。利用分形几何方法不依赖于系统的数学模型的特点,将分形维数与小波分析相结合,建立了结构损伤的小波分形神经网络检测方法。研究结果表明,结构不同状态下的振动信号的各频段分形维数有明显的不同,可以将振动信号的各频段分形维数作为结构损伤检测的特征量,并用神经网络将结构的不同状态模式识别出来。     

基于自适应BP神经网络的结构损伤检测

描述基于人工神经网络的结构损伤检测的基本步骤以及该方法在实际5层钢框架结构损伤检测上的应用．提出了一种改进的BP神经网络方法，它能够解决传统BP神经网络在实际应用中存在的两个问题：收敛速度慢并存在局部极小．其基本思想是引入动态自适应算子加速传统BP算法的梯度下降速度，从而提高运算速度，通过自调节保证学习过程中每一时刻具有较大的sigmoid函数值，从而可以避免局部极小．数值仿真结果表明基于该自适应神经网络的结构损伤检测方法具有强的鲁棒性，而且与传统的BP神经网络相比，不仅提高了计算速度，并且具有很高的精度．最后，实例的应用也证明了该方法的有效性．     

组合神经网络在结构损伤检测中的应用

子结构的动态响应变化与整体结构相比，对结构内部损伤反应更为敏感。组合神经网络可以克服单个神经网络功能的单一局限性，实现更加全面综合的仿真识别功能。本文首先运用双协调自由界面模态综合法对结构进行模态分析，获取各子结构及整体结构的模态信息。然后，通过组合BP神经网络将损伤子结构与整体结构的模态频率变化率组合起来进行结构损伤检测。该方法在改善网络训练性能的同时，提高了检测结果的准确性和可靠性。文章最后通过数值算例验证了该方法的可行性和有效性。     

基于神经网络算法的建筑结构振动分散控制研究

针对地震作用下建筑结构振动分散控制问题,引入神经网络算法,研究结构振动分散神经网络控制策略,来解决分散控制中各子系统的耦合问题和神经网络算法的训练成本问题.利用径向基函数RBF(Radical Basis Function)神经网络模型并基于newrb函数构建了RBF神经网络控制器,对某20层Benchmark结构模型分别进行集中控制和多工况子系统划分分散控制的数值模拟分析,结果表明,提出的各子系统耦合的分散RBF神经网络振动控制策略考虑了子系统间的信息共享,可有效控制结构的振动响应,且子系统达到理想训练结果所需的训练次数与BP网络相比显著降低.     

Damage detection in structures using modified back-propagation neural networks

A nonparametric structural damage detection methodology based on neural networks method is presented for health monitoring of structure-unknown systems. In this approach appropriate neural networks are trained by use of the modal test data from a ‘healthy’ structure. The trained networks which are subsequently fed with vibration measurements from the same structure in different stages have the capability of recognizing the location and the content of structural damage and thereby can monitor the health of the structure. A modified back-propagation neural network is proposed to solve the two practical problems encountered by the traditional back-propagation method, i.e., slow learning progress and convergence to a false local minimum. Various training algorithms, types of the input layer and numbers of the nodes in the input layer are considered. Numerical example results from a 5-degree-of-freedom spring-mass structure and analyses on the experimental data of an actual 5-storey-steel-frame demonstrate that neural-networks-based method is a robust procedure and a practical tool for the detection of structural damage, and that the modified back-propagation algorithm could improve the computational efficiency as well as the accuracy of detection Project supported by the National Natural Science Foundation of China (No. 59908003) and the Natural Science Foundation of Hubei Province (No. 99J035).     

利用振动模态测量值和神经网络方法的结构损伤识别研究

提出了一种基于模态测量参数和神经网络的结构损伤检测方法，建造了两种输入方式的BP神经网络，即自振频率以及结合自振频率与振型，并讨论了不同数量的输入信息对结构损伤检测精度和计算效率的影响。证明了输入的参数越多，神经网络就越聪明，训练的收敛速度越快；以及在保证一定的测量精度的情况下，基于频率与振型的损伤识别结果要好于基于频率的检测结果。最后，通过对3层框架模型的4种损伤工况下的结构损伤检测结果的分析，认为利用模态测量参数和神经网络方法能够准确地识别结构损伤的位置，而且能较精确地识别结构损伤的大小。     

基坑支护结构水平变形预测的遗传神经网络方法

采用遗传算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,先用遗传学习算法进行全局训练,再用BP算法进行精确训练。就遗传算法过程中的选择、变异进行了探索,提出了用BP网络训练产生变异的遗传算法。作为实例,将该方法应用于预测基坑支护结构水平变形中。结果表明,该方法有收敛速度较快、预测精度高等优点。     

遗传优化小波神经网络在组合导航系统中的应用

实时性是组合导航系统的一个重要指标，而神经网络的优化学习问题是决定网络效率的关键技术。遗传优化小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力，而且具有遗传算法全局寻优的特点，是多层前向神经网络学习的一种理想算法。将它应用于组合导航系统中并进行了仿真，结果表明，该算法能够根据实际情况自适应确定网络结构，实时性好，精度与常规方法相当。     

基于神经网络的差分方程快速求解方法

近年来, 人工神经网络(artificial?neural?networks, ANN), 尤其是深度神经网络(deep?neural?networks, DNN)由于其在异构平台上的高计算效率与对高维复杂系统的拟合能力而成为一种在数值计算领域具有广阔前景的新方法. 在偏微分方程数值求解中, 大规模线性方程组的求解通常是耗时最长的步骤之一, 因此, 采用神经网络方法求解线性方程组成为了一种值得期待的新思路. 但是, 深度神经网络的直接预测仍在数值精度方面仍有明显的不足, 成为其在数值计算领域广泛应用的瓶颈之一. 为打破这一限制, 本文提出了一种结合残差网络结构与校正迭代方法的求解算法. 其中, 残差网络结构解决了深度网络模型的网络退化与梯度消失等问题, 将网络的损失降低至经典网络模型的1/5000; 修正迭代的方法采用同一网络模型对预测解的反复校正, 将预测解的残差下降至迭代前的10?5倍. 为验证该方法的有效性与通用性, 本文将该方法与有限差分法结合, 对热传导方程与伯格方程进行了求解. 数值结果表明, 本文所提出的算法对于规模大于1000的方程组具有10倍以上的加速效果, 且数值误差低于二阶差分格式的离散误差.