基于改进径向基神经网络的悬索桥吊索损伤定位方法

摘要

本发明公布了一种基于改进径向基神经网络的悬索桥吊索损伤定位方法，本发明所述方法包括：对悬索桥的吊索损伤程度分级、确定吊索的损伤位置与悬索桥各阶归一化固有频率的对应关系、RBF网络学算法的改进和基于改进RBF网络的损伤定位。本发明通过改进RBF网络可有效地避免损伤定位的过拟合现象，使悬索桥的吊索损伤定位结果更为准确和可靠，利于工程应用。

主权项

1、一种基于改进径向基神经网络的悬索桥吊索损伤定位方法，其特征在于包括如下步骤：1.)对悬索桥的m根吊索发生的n％～100％不同程度的损伤，分别按损伤程度n％递增分级，得到种损伤工况，其中m为自然数，n为小于50并且能被100整除的有理数；2.)将步骤1所述的损伤工况经过悬索桥的有限元模型计算得到各种损伤工况的固有频率；对所述各种损伤工况的固有频率相应于正常工况的频率数据作归一化处理得到损伤工况的各阶归一化固有频率；剔除所述各阶归一化固有频率中对损伤不敏感的频率，得到吊索的损伤位置与悬索桥各阶归一化固有频率的对应关系；3.)通过吊索的损伤位置与悬索桥各阶固有频率的对应关系形成训练数据集，并在其中预留一组校验数据，把训练数据集送入改进的RBF网络进行学习；所述RBF网络采用R₊²准则与Jackknife校验进行改进，具体包括如下步骤：a.)引入R₊²准则在RBF网络中将循环控制条件设定为R₊²不再增大，R₊²按照下式计算：$R_{+}^2=1-\frac{\underset{i=1}{\overset{N}{\Sigma }}{(d_i-y_i)}^2/(N-p-1)}{\underset{i=1}{\overset{N}{\Sigma }}{(d_i-{\bar{d}}_i)}^2/(N-1)},$其中，y_i为RBF网络第i个输出，d_i为步骤3所述的训练数据集的第i个目标输出，d_i为d_i的均值，N为数据样本数，p为径向基单元个数；b.)Jackknife校验用预留校验数据按照Jackknife校验的判定准则进行Jackknife校验，判定准则如下：C_J≥C_J0，式中，C_J0为Jackknife校验阈值；C_J为Jackknife校验系数，$C_J=\frac{{R^2}_{\mathrm{train}}}{{R^2}_{\mathrm{valid}}},$其中R²_train和R²_valid分别是当前网络对训练数据和预留校验数据的R²参数，R²按照下式计算：$R^2=\frac{\underset{i=1}{\overset{N}{\Sigma }}{(d_i-{\bar{d}}_i)}^2-\underset{i=1}{\overset{N}{\Sigma }}{(d_i-y_i)}^2}{\underset{i=1}{\overset{N}{\Sigma }}{(d_i-{\bar{d}}_i)}^2},$其中，y_i为第i个输出，d_i为第i个目标输出，d_i为d_i的均值，N为数据样本数；c.)采用步骤3所述的预留的一组校验数据按照Jackknife校验的判定准则进行Jackknife校验，当校验通过则结束对RBF网络的改进；若校验不通过则去除新加入的径向基单元，重复步骤6；4.)当吊索发生损伤时，将发生损伤的吊索的各阶归一化固有频率输入到步骤3所述的经过学习的RBF网络得到损伤定位信息。