基于神经网络专家系统的边坡系统设计

基于神经网络和专家系统自的特点，研究了神经网络和专家系统的集成系统，论述了系统的设计思想、总体结构及实现的基本原理，通过软件设计实现了“可视化”操作，系统具有知识自动获取，预测速度快，鲁棒性及容错能力强等特点，这一研究为解决边坡稳定性评估问题提供了一种有效途径。     

基于归纳学习的结构损伤识别方法研究

采用归纳学习方法来识别结构损伤．首先，通过对经典的决策树算法和序列覆盖算法进行结合与改进，得到一种高效且代价又小的归纳学习算法(RAC)，同时引入装袋算法产生多个分类法，并用它们进行类预测，而且使用选票策略得出最佳类预测．其次，用正交最小二乘迭代算法作为径向基函数(RBF)神经网络的学习方法，通过“信息一贡献”准则进行正交变换来优选中心．最后，对上述归纳学习方法用于梁结构损伤定位的效果进行了实验评估．结果表明，对于RAC算法和生成分类法的数目分别为10和50情况下的装袋算法，当损伤样本被噪声污染程度在100％时，识别精度均可达到90％以上，而对于RBF神经网络算法，只有当损伤样本被噪声污染程度小于70％时，识别精度才可达到90％以上。     

RBF神经网络及其在结构损伤识别中的应用研究

采用具有更好的仿生效果的径向基函数(RBF)网络对单处损伤结构及多处损伤结构的损伤程度、位置、区域、处数进行识别,网络学习方法选择了简单易行、精度高且运算速度快的正交最小二乘(OLS)法.通过实例对该方法进行了测试,并与BP网进行了比较.测试结果可验证:RBF网络及其OLS学习方法可以快速、有效、高精度地识别结构损伤状况.