[发明专利]基于改进反向传播神经网络的斜拉桥拉索损伤定位方法

摘要

基于改进反向传播神经网络的斜拉桥拉索损伤定位方法是一种重点解决如何针对斜拉桥的拉索损伤，有效地对BP神经网络进行改进，从而利用其进行斜拉桥的拉索损伤定位，并建立基于改进BP网络的斜拉桥拉索损伤定位方法，本发明提出了综合采用“Bold Driver”(盲驱动)技术、增加动量项、模拟退火算法、随机爬山算法联合对传统BP算法加以改进，该方法具有加快收敛、提高学习效率、避免学习过程陷入局部极小的优点，并且可以合理地确定网络拓扑结构。

主权项

1.一种基于改进反向传播神经网络的斜拉桥拉索损伤定位方法，其特征在于该损伤定位方法为：1.)对斜拉桥的m根拉索发生的5％～100％不同程度的损伤，分别按5％递增共分20个级别，得到20×m种损伤工况，按照损伤程度将之归类为20个工况组，每一个工况组对应于一种损伤程度，其中包含m根拉索分别发生损伤的m种损伤工况；2.)对各种损伤工况，建立斜拉桥的有限元模型，计算其固有频率，剔除对损伤不敏感的频率，可得到在不同损伤程度下，拉索的损伤位置与斜拉桥各阶固有频率的对应关系；3.)以某一损伤工况组的拉索损伤数据，即拉索的损伤位置与斜拉桥各阶固有频率的对应关系作为训练集，送入反向传播网络进行学习；4.)反向传播网络的隐层数和隐层单元由随机爬山法确定，采用随机爬山法确定网络结构的步骤是：对具有初始网络结构的网络进行多次随机训练，得到校验集的平均校验误差；然后改变网络结构，再次进行训练并得到平均校验误差，选择具有最小平均校验误差的网络结构为最优网络结构；5.)学习率的调整过程按下式进行：其中，n为当前学习迭代步数，α、β为学习率调整系数，η为学习率，ΔE(n)为在第n步时网络的误差函数；在网络的权值调整公式中引入一个动量因子θ(0＜θ＜1)来考虑前一步权值修改(即Δw(n-1))对的影响，即在权值调整公式中增加一项：θΔw(n-1)；6.)令α、β、θ分别取不同的值，然后让网络随机学习m次，其中m≥50，计算出网络的平均训练步数，以网络的平均训练步数最小为原则，可确定网络的最优的控制参数α、β、θ；7.)采用模拟退火算法避免网络学习陷入局部极小；其基本实现途径是，如果神经元的权值修改使网络的训练误差下降，则接受这次权值修改；如果权值修改使网络的训练误差增大，则以概率p(p＜1)接受这次权值修改，从而使网络在该概率水平下逃逸出局部极小点，概率p，又称作逃逸概率，以指数关系依赖于网络温度T，p＝e^-ΔE/T其中，ΔE是网络的训练误差；8.)当斜拉索发生损伤时，将其各阶固有频率输入到前面训练好的改进反向传播神经网络，网络便会自动输出损伤定位信息，网络的m个输出端对应于m根拉索，若某个输出端的损伤定位信息接近于1，便可判定该根拉索发生损伤。