基于小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識(shí)別方法研究.pdf_第1頁
已閱讀1頁,還剩137頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、由于年代的久遠(yuǎn)和環(huán)境的影響,許多工程結(jié)構(gòu)呈現(xiàn)出老化現(xiàn)象,個(gè)別的構(gòu)件出現(xiàn)損傷甚至斷裂,結(jié)構(gòu)在損傷積聚下一旦發(fā)生潰塌,會(huì)對(duì)國家和人民的生命財(cái)產(chǎn)造成極大的損失。因此,對(duì)工程結(jié)構(gòu)進(jìn)行損傷識(shí)別具有重大的學(xué)術(shù)、經(jīng)濟(jì)和社會(huì)意義。本文利用小波變換對(duì)時(shí)間序列的時(shí)間和頻率定位能力、小波函數(shù)具有的空間域縮放屬性,以及神經(jīng)網(wǎng)絡(luò)具有的捕捉非確定性性質(zhì)和復(fù)雜非線性的能力,結(jié)合模糊聚類技術(shù),提出了結(jié)構(gòu)非參數(shù)系統(tǒng)識(shí)別的動(dòng)態(tài)時(shí)延模糊WNN模型,然后基于偽譜方法,提出了環(huán)

2、境激勵(lì)下大型復(fù)雜結(jié)構(gòu)的損傷識(shí)別方法,并結(jié)合理論分析、數(shù)值模擬及試驗(yàn)方法,對(duì)結(jié)構(gòu)損傷識(shí)別進(jìn)行了系統(tǒng)和深入的研究。本文主要研究內(nèi)容如下:
  1)基于非正交小波——Mexican hat小波,構(gòu)造了動(dòng)態(tài)系統(tǒng)函數(shù)逼近的動(dòng)態(tài)時(shí)延WNN模型,該模型可以任意逼近瞬時(shí)非線性函數(shù),并利用動(dòng)態(tài)時(shí)延WNN模型在小波設(shè)計(jì)中的靈活性,添加了額外功能,如函數(shù)逼近中理想的平移參數(shù)調(diào)整。
  2)基于混沌理論的重構(gòu)狀態(tài)空間概念構(gòu)造動(dòng)態(tài)時(shí)延 WNN的輸入向

3、量,該向量保留了時(shí)間序列數(shù)據(jù)的動(dòng)態(tài)特性,可以識(shí)別結(jié)構(gòu)系統(tǒng)的非物理參數(shù)(如結(jié)構(gòu)的動(dòng)態(tài)響應(yīng))。然后利用FNN方法確定動(dòng)態(tài)時(shí)延 WNN輸入向量的最佳嵌入維數(shù),以及修正Gram-Schmidt算法和AFPE準(zhǔn)則確定WNN隱層節(jié)點(diǎn)的最佳數(shù)量,減小了WNN模型的規(guī)模,提高了模型的計(jì)算效率和識(shí)別精度。
  3)將具有空間域縮放屬性的小波函數(shù)應(yīng)用于動(dòng)態(tài)時(shí)延 WNN模型,它僅在輸入時(shí)間序列的有限范圍影響模型輸出,這種屬性減少了WNN節(jié)點(diǎn)之間的不良影

4、響,提高了函數(shù)逼近的精確度,加快了WNN的訓(xùn)練收斂過程。
  4)基于NARMAX方法,將重構(gòu)狀態(tài)空間向量的模糊聚類與非正交WNN相結(jié)合,構(gòu)造了結(jié)構(gòu)非參數(shù)系統(tǒng)識(shí)別的動(dòng)態(tài)時(shí)延模糊WNN模型。該模型可有效而精確地捕捉時(shí)間序列傳感器數(shù)據(jù)的動(dòng)態(tài)特征,并可克服傳統(tǒng)WNN模型在處理存在局部不準(zhǔn)確的訓(xùn)練數(shù)據(jù)時(shí),由于相同的空間域縮放屬性易導(dǎo)致的較大局部輸出誤差問題。
  5)采用自適應(yīng)LM-LS混合學(xué)習(xí)算法訓(xùn)練動(dòng)態(tài)時(shí)延模糊WNN模型,訓(xùn)練過

5、程為兩步迭代法,首先采用LS算法確定模型的線性參數(shù),然后采用LM算法調(diào)整模型的非線性參數(shù)。該算法避免了Gauss-Newton算法的二階微分問題,克服了最速下降算法的數(shù)值不穩(wěn)定問題,并可顯著提高WNN模型的訓(xùn)練收斂速度。
  6)小波在動(dòng)態(tài)時(shí)延模糊 WNN模型中應(yīng)用于兩個(gè)方面:○1采用離散小波包變換(DWPT)技術(shù)對(duì)傳感器數(shù)據(jù)去噪,加快了結(jié)構(gòu)系統(tǒng)識(shí)別模型的訓(xùn)練收斂速度,并明顯提高了模型的識(shí)別精度?!?將小波函數(shù)作為神經(jīng)網(wǎng)絡(luò)的激活函

6、數(shù),結(jié)合模糊聚類技術(shù)構(gòu)造模糊WNN模型,該模型可以有效而精確地捕捉時(shí)間序列傳感器數(shù)據(jù)的動(dòng)態(tài)特征。
  7)基于結(jié)構(gòu)非參數(shù)系統(tǒng)識(shí)別的動(dòng)態(tài)時(shí)延模糊 WNN模型、以及偽譜方法,提出了環(huán)境激勵(lì)下大型復(fù)雜結(jié)構(gòu)的損傷識(shí)別方法。該方法的識(shí)別結(jié)果為選定子結(jié)構(gòu)內(nèi)的結(jié)構(gòu)局部損傷,通過選定一系列的子結(jié)構(gòu)可識(shí)別出結(jié)構(gòu)的所有損傷,具有結(jié)構(gòu)全局和局部損傷識(shí)別能力;損傷指標(biāo)以不同頻段的形式感知損傷,包含了豐富的損傷信息;不需對(duì)損傷指標(biāo)憑經(jīng)驗(yàn)設(shè)定閥值判斷結(jié)構(gòu)是否

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論