基于遺傳神經(jīng)網(wǎng)絡的大跨空間結構選型輔助專家系統(tǒng)
【學位單位】:東北石油大學
【學位級別】:碩士
【學位年份】:2017
【中圖分類】:TP183;TU399
【部分圖文】:
2.群體的大小 N ,種群規(guī)模的大小與遺傳算法的收斂性和計算效率有很大關系規(guī)模太小容易收斂至局部最優(yōu)解;規(guī)模太大,會造成計算速率降低,所以,一般群體小在[20, 100]范圍內(nèi)取值,遺傳算法以該群體作為初始迭代點。3.交叉概率Pc,父輩個體產(chǎn)生了下一代中間個體,實現(xiàn)了信息的交換。遺產(chǎn)算中Pc 取值較大,同時種群的優(yōu)良模式受到破壞的可能性加大,導致較大的代溝生成搜索趨于隨機化。 Pc 取值過小,代溝較小,找到最優(yōu)的可能性加大,但進化速度比慢,Pc的取值范圍一般在[0.4,1]之間。4.變異概率Pm,在群體中隨機的選擇的一個個體,以Pm的大小改變所選擇的體當中一些或一個基因的數(shù)值。變異提供了產(chǎn)生新個體的機會。Pm較大時可以產(chǎn)生多新個體,同時可能遭到破壞比較好的模式,降低性能;Pm小時會減少新個體的產(chǎn)生Pm一般在[0.001, 0.1 ]之間取值。5.終止代數(shù)T ,終止代數(shù)代表遺傳算法運行的結束,運行到T 程序就會自動停并且輸出群體中的最佳個體,T 一般在[100, 1000]之間取值。以上這些參數(shù)的選擇會影響遺傳算法的運行性能[82],[83]。
人們發(fā)現(xiàn)在神經(jīng)網(wǎng)絡的研究中還有許多問圖 2.2 網(wǎng)絡拓撲結構圖2.2.1 BP 神經(jīng)網(wǎng)絡算法BP 神經(jīng)網(wǎng)絡(Backpropagation Algorithm)是一種多層前饋網(wǎng)絡。也是目前應用最多的一種神經(jīng)網(wǎng)絡,它的模型包括輸入層、隱含層、輸出層、層與層之間通過權值連接[84]。它的特點是信息向前傳遞誤差反向傳遞從而間接算出隱含層的誤差。據(jù)統(tǒng)計,絕大部分神經(jīng)網(wǎng)絡模型幾乎都是采用 BP 網(wǎng)絡或是 BP 網(wǎng)絡的變異形式的,BP 神經(jīng)網(wǎng)絡展示了神經(jīng)網(wǎng)絡中最完美、最精華的部分。理論完備研究起步較早,信號由輸入層傳至網(wǎng)絡模型,經(jīng)隱含層處理傳到輸出層。輸出層的輸出與期望輸出間存在誤差反向傳遞,調節(jié)網(wǎng)絡的權值與閾值使模型能學習到樣本數(shù)據(jù)的特征。通過大量的樣本數(shù)據(jù)訓練來獲得網(wǎng)絡的非線性映射能力。BP 算法中含有正向傳播過程,輸入信息從輸入層經(jīng)過隱含層計算各單元的輸出值和反向傳播過程,輸出誤差向前算出隱含層各單元的誤差,用此誤差修正前層權值。BP 網(wǎng)絡使用的傳遞函數(shù)通常是 Sigmoid 型可微函數(shù),可實現(xiàn)輸入、輸出之間的任意非線性映射[85]。它的泛化能力可以使訓練好的網(wǎng)絡在輸入未曾訓練過的數(shù)據(jù)時,能準確的映射輸出,并且當輸入樣本中有個別誤差較大的數(shù)據(jù)時,對網(wǎng)絡模型整體影響很小。為保證穩(wěn)定性,采用較小的學習率,網(wǎng)絡收斂速度會比較慢!柏撎荻认陆怠崩碚撌 BP 算法的核心內(nèi)容。常規(guī)的三層 BP 神經(jīng)網(wǎng)絡的權值和閾值的公式如下:( 1)()
第二章 遺傳神經(jīng)網(wǎng)絡及專家系統(tǒng)理論概述5.傳遞函數(shù)[87]傳遞函數(shù)是 BP 網(wǎng)絡的重要組成部分。網(wǎng)絡解決問題的能力與網(wǎng)絡采用的傳遞函數(shù)有很大關系。傳遞函數(shù)又稱為激活函數(shù),必須是連續(xù)可微的,作用是控制輸入對輸出的激活,函數(shù)將輸入(可能無限域)轉至輸出(指定的有限范圍內(nèi)的)。傳遞函數(shù)的設計包括輸入層到隱含層的傳遞函數(shù)和隱含層到輸出層的傳遞函數(shù)兩個。常用的傳遞函數(shù)主要包含線性函數(shù)、非線性斜面函數(shù)、閾值函數(shù)和 S 型函數(shù)[88],[89]見圖,2.3-2.5。(1)線性函數(shù)是傳遞函數(shù)數(shù)中最基本的一種函數(shù)網(wǎng)絡的輸出等于加權輸入加上偏差。表達式為:f n et k net c其中 k 為擴大乘數(shù),net 為網(wǎng)絡神經(jīng)元,c為常數(shù)項。
【參考文獻】
相關期刊論文 前10條
1 張蓉;;關于高層建筑的結構選型探討[J];山西建筑;2015年27期
2 傅強;胡振宇;;大跨度空間結構選型探析[J];住宅科技;2014年08期
3 蘆俊;;溫度應力及風荷載對大跨度空間結構的影響[J];門窗;2014年04期
4 胡桂春;;深基坑邊坡支護的技術措施[J];科技創(chuàng)業(yè)家;2014年01期
5 張福威;高振亮;李軍;;一種結合改進遺傳算法和BP神經(jīng)網(wǎng)絡的圖像壓縮算法[J];長春理工大學學報(自然科學版);2013年06期
6 王國強;;結構選型的重要性[J];科技風;2013年19期
7 陳勇;王夢雪;;大跨空間結構的應用與發(fā)展[J];黑龍江科技信息;2013年15期
8 ZHANG ShiHai;OU JinPing;;BP-PSO-based intelligent case retrieval method for high-rise structural form selection[J];Science China(Technological Sciences);2013年04期
9 陳志華;;弦支結構體系研究進展[J];建筑結構;2011年12期
10 馮遠;夏循;王立維;廖理;石軍;馮曉鋒;馮中偉;;常州體育館會展中心結構設計[J];建筑結構;2010年09期
相關博士學位論文 前1條
1 丁大益;大跨度鋼結構選型、設計分析及關鍵節(jié)點試驗研究[D];合肥工業(yè)大學;2015年
相關碩士學位論文 前10條
1 馬琳;大空間復雜混合結構體系的結構選型與計算分析[D];重慶大學;2014年
2 于萬秀;遺傳神經(jīng)網(wǎng)絡與模糊綜合評定結合在高層結構選型中應用[D];中南大學;2014年
3 明源;基于BP神經(jīng)網(wǎng)絡方法的主權債務危機預警研究[D];西南財經(jīng)大學;2013年
4 汪菊;網(wǎng)架結構設計與加固研究[D];中南大學;2012年
5 劉功良;基于遺傳神經(jīng)網(wǎng)絡對高層建筑結構選型的研究[D];東北石油大學;2012年
6 徐鵬飛;利用遺傳神經(jīng)網(wǎng)絡技術對地震預測的研究[D];安徽大學;2010年
7 周科偉;Matlab環(huán)境下基于神經(jīng)網(wǎng)絡的車牌識別[D];西安電子科技大學;2009年
8 陳正偉;大跨度機床橫梁有限元分析及結構優(yōu)化[D];東北大學;2008年
9 花林林;層單元結構模型在高層建筑結構方案設計中的應用[D];廈門大學;2007年
10 寇立業(yè);大跨鋼結構方案設計知識發(fā)現(xiàn)的研究[D];哈爾濱工業(yè)大學;2006年
本文編號:2892307
本文鏈接:http://sikaile.net/jianzhugongchenglunwen/2892307.html