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。     

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。     

结构紧固连接件损伤的神经网络诊断研究

在结构紧固连接件损伤诊断中采用了函数连接型神经网络。与常用的ＢＰ网络不同，函数连接网络通过对输入模式的增强来实现复杂模式的分类。它借助某种函数变换，将原始的模式特征向量变换成另一个更高维的形式，使原始空间里不能区分的类别，在这个高维空间中得以区分，减少了神经网络的层数，提高了网络的学习速度。诊断时选用正弦激振下结构中多个位置上传感器稳态响应的幅值构成表征损伤的特征向量，简化了特征提取的过程。数值模拟和实验结果表明，这一方法能对多个位置的损伤进行准确的识别     

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。     

基于深度学习和近场动力学的层合板冲击工况识别

在冲击荷载作用下复合材料会产生断裂和分层等损伤。基于损伤数据对冲击工况进行识别，对改善复合材料的设计和确保其安全使用具有重要意义。基于此，本文提出一种基于深度学习和近场动力学（PD）理论的层合板冲击工况识别方法。首先使用改进的表面修正系数PD理论建立复合材料层合板刚体冲击损伤演化分析PD模型，PD模型数值模拟结果结合噪声数据增强技术构建层合板的冲击工况数据库；基于深度学习-卷积神经网络（CNN），对不同工况下的冲击损伤演化数据进行训练，实现对未知冲击工况的识别。结果显示，对于钢球冲击速度和角度的识别准确率均高于90%。     

基于不完备模态信息的结构损伤识别方法

针对结构损伤识别中的有限测点问题和测试噪声问题,提出一种基于模型修正法的损伤识别方法,仅利用结构的低阶频率和相应的不完备振型进行损伤识别。基于动力缩聚法构造参数化的振型扩展矩阵,解决振型不完备的问题,然后根据交叉模型交叉模态法CMCM(cross-model cross-mode)构造约束方程,并使用Hestenes-Powell增广拉格朗日乘子法求解约束优化问题,从而根据优化问题的最优解判断出损伤位置和损伤程度。在模态数据包含测试噪声的情况下,提出一种改进的CMCM方法,以减小测试噪声对损伤识别结果的影响。对一个25杆平面桁架进行数值仿真实验,结果表明,在3%的噪声水平下,仅需测得损伤结构的前5阶不完备模态,本文方法就能较准确地识别结构损伤。     

既有钢桁梁桥损伤识别与诊断方法研究

从结构动力学基本理论出发，对既有钢桁梁桥的损伤识别与诊断方法进行了研究. 通过选取钢桁梁桥损伤前、后的固有频率作为特征参数，并应用BP神经网络方法和MATLAB方法对桥梁损伤识别和诊断过程进行了深入细致地分析，提出了一套完整的桥梁损伤识别和诊断过程流程图. 最后，用一实际钢桁梁桥的损伤识别进行了数值模拟，计算结果证明了该方法的准确性和有效性.     

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。     

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-神经网络算法优化飞机垂尾

通过优化垂尾复合材料蒙皮铺层体系,可以减少垂直尾翼的气动变形,进而改善飞机的方向安定性。采用遗传算法能够较好地分析这类复杂优化问题,但遗传算法的计算工作量大,计算所需时间过长。本文提出遗传一神经网络的算法,该算法首先采用神经网络预测遗传变量的值,进而缩短遗传变量的范围,然后采用遗传算法优化得到最优解。结果表明,这种方法在保证计算精度的情况下,减少了计算时间,提高了工作效率。