亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于NAR動態(tài)神經網絡的橋梁SHM應變預測

        2020-07-25 08:13:56魏濤濤朱利明卓靜超
        工程建設與設計 2020年13期
        關鍵詞:階數(shù)監(jiān)測數(shù)據個數(shù)

        魏濤濤,朱利明,卓靜超

        (南京工大橋隧與軌道交通研究院有限公司,南京210031)

        1 引言

        橋梁結構健康監(jiān)測(Structural Health Monitoring,SHM)系統(tǒng)采集的大量監(jiān)測數(shù)據如何進行分析處理一直是目前的研究熱點,其中,監(jiān)測數(shù)據的分析預測是后續(xù)結構評估和安全預警的基礎,對橋梁的管養(yǎng)工作有著重要的意義。

        神經網絡由于其自適應性和良好的容錯性,非常適合運用于橋梁SHM 監(jiān)測數(shù)據這類非平穩(wěn)的時間序列。本文提出了基于NAR 動態(tài)神經網絡的預測模型,并與經典時間序列理論的求和自回歸移動平均(Autoregressive Intergrated Moving Average,ARIMA)模型進行了對比,對上海市某斜拉橋SHM 實測應變進行預測和模型驗證。

        2 NAR動態(tài)神經網絡

        非線性自回歸(Nonlinear Auto Regressive,NAR)神經網絡模型是一種用于分析時間序列的動態(tài)神經網絡模型。之所以稱之為動態(tài)神經網絡是相較于靜態(tài)神經網絡而言的。一個神經網絡包含輸入層、中間層和輸出層,如果在傳遞過程中信息只是單向地從輸入層傳遞到輸出層,中間信息沒有任何反饋,則該網絡是靜態(tài)的,如常見的BP 神經網絡;如果在傳遞過程中,輸出信息作為輸入信息反饋到上一層中,則該網絡是動態(tài)的。動態(tài)神經網絡的這一性質,在時間序列分析中非常適用。NAR 動態(tài)神經網絡本質上是靜態(tài)神經網絡結合輸出反饋,由輸入層、隱含滯后層、輸出層構成,是一個自回歸過程,輸出值取決于以往的值,而輸入值為前一次的輸出值。

        3 NAR動態(tài)神經網絡模型的構建

        NAR 動態(tài)神經網絡模型的構建分為幾個步驟:訓練樣本數(shù)據的劃分、NAR 模型參數(shù)的選取、NAR 模型的訓練及數(shù)據預測。其中,NAR 模型參數(shù)的選取包括了隱含層神經元個數(shù)和滯后階數(shù)的確定;NAR 模型的訓練包括訓練方法的選取和訓練次數(shù)的確定。

        NAR 動態(tài)神經網絡的預測流程為:監(jiān)測數(shù)據的時間序列→訓練數(shù)據劃分→設置隱含神經元個數(shù)和滯后階數(shù)→選擇訓練方法和次數(shù)→殘差分析→訓練結束并保存網絡→數(shù)據預測。需注意的是,若殘差分析不通過,需再次設置隱含神經元個數(shù)和滯后階數(shù)。

        4 工程實例

        選取上海市某斜拉橋2017年7月1~5 日的跨中腹板應變健康監(jiān)測數(shù)據樣本進行應變監(jiān)測數(shù)據的預測并驗證預測模型的適用性,共720 期數(shù)據,每期間隔10min。

        4.1 樣本數(shù)據劃分

        本例樣本總量為720,其中,70%為訓練數(shù)據,15%為測試數(shù)據,15%為驗證數(shù)據。

        4.2 NAR模型參數(shù)選取

        與BP 神經網絡類似,在建立NAR 模型時需要先對模型參數(shù)進行選取,即確定NAR 神經網絡的滯后階數(shù)與隱含層神經元個數(shù)。

        滯后階數(shù):由于模型的預測值是由前一組樣本所決定的,可以根據樣本的自相關系數(shù)ACF 值來確定NAR 模型的滯后階數(shù)。由于應變健康監(jiān)測數(shù)據樣本在第25 階左右下降到2 倍標準差范圍內,可以認為在滯后階數(shù)25 階范圍內,樣本的相關性較強。因此,NAR 模型的滯后階數(shù)選擇為25 階。

        隱含層神經元個數(shù)【1】:一般認為神經網絡的隱含層神經元個數(shù)與輸出單元有關。隱含層神經元個數(shù)過少,會導致擬合不足,利用信息不充分,準確性下降;過多,則會導致學習訓練時間長,過擬合,造成對新樣本的適用性變差。隱含層神經元個數(shù)的確定采用經驗公式(1)和公式(2):

        式中,n 為輸入單元數(shù);m 為輸出單元個數(shù),a 為常數(shù),取值1~10。

        根據經驗公式(1)和公式(2),可知隱含層神經元個數(shù)為5~15個。為了進一步確定隱含層神經元個數(shù),分別訓練隱含層神經元個數(shù)為5~15個的神經網絡,比較之間的均方誤差MSE。由于輸入權值和閾值的隨機性,模型需訓練多次,訓練方法采用Levenberg Marquardt 算法,訓練次數(shù)為20 次。結果見表1。

        表1 不同隱含層神經元個數(shù)之間的模型誤差

        由表1 可以看出,在一定范圍內增加隱含層神經元個數(shù)可以減少訓練、驗證和測試的誤差,但并非數(shù)量越多越好,在10個左右達到誤差最小值。綜合考慮后,確定隱含層神經元個數(shù)為10。

        4.3 構建NAR模型

        建立應變健康監(jiān)測數(shù)據的NAR 神經網絡模型,對模型進行多次訓練,訓練方法采用Levenberg Marquardt 算法,訓練次數(shù)為50 次。

        訓練完成后,檢測模型誤差的自相關性,以此判斷模型的適用性。根據時間序列分析的相關理論,當殘差的自相關系數(shù)都接近0 時,說明模型構建效果較好,即模型的殘差之間是不相關的。當模型誤差的自相關系數(shù)除了0 階外,其余都在95%置信區(qū)間范圍內時,可以認為模型誤差的自相關系數(shù)近似于0,誤差之間不存在相關性,模型構造效果比較好。

        4.4 模型預測

        為了定量地確定預測模型的效果,建立了經典時間序列分析理論的ARIMA 模型進行對比,其采用了ARIMA(2,1,1)模型進行預測。2 種模型應變預測結果見圖1。

        4.5 預測結果分析

        為了進一步定量地判斷各個模型的預測效果,采用均方誤差MSE、平均絕對百分比誤差MAPE 和可決系數(shù)R23 種統(tǒng)計學指標來評價模型的性能。表2 為2 種預測模型的統(tǒng)計指標對比表。

        圖1 2 種預測模型應變預測結果圖

        表2 2 種預測模型的統(tǒng)計指標對比

        從表2 中可以看出,在10 期和25 期預測長度內,NAR 動態(tài)神經網絡模型的MSE 和MAPE 指標都大幅度小于ARIMA模型,R2指標略大于ARIMA 模型,說明前者的穩(wěn)定性和準確性都明顯要好于后者,而回歸效果整體類似,前者略好。隨著預測期數(shù)增加,各種模型指標都在劣化,符合數(shù)據預測的一般規(guī)律,在50 期預測長度時,NAR 動態(tài)神經網絡模型和ARIMA 模型各項統(tǒng)計指標大體一致,且R2指標都顯著不為1,說明此時的回歸效果很差。對比結果表明,在對橋梁SHM 應變的預測中,NAR 動態(tài)神經網絡在短期內的預測穩(wěn)定性和準確性要明顯好于經典時間序列分析理論的ARIMA 模型,具有良好的工程應用價值。

        5 結語

        綜上所述,本文研究結果表明,NAR 動態(tài)神經網絡在短期內的預測穩(wěn)定性和準確性要明顯好于經典時間序列分析理論的ARIMA 模型,具有良好的工程應用價值。

        猜你喜歡
        階數(shù)監(jiān)測數(shù)據個數(shù)
        關于無窮小階數(shù)的幾點注記
        怎樣數(shù)出小正方體的個數(shù)
        確定有限級數(shù)解的階數(shù)上界的一種n階展開方法
        等腰三角形個數(shù)探索
        怎樣數(shù)出小木塊的個數(shù)
        GSM-R接口監(jiān)測數(shù)據精確地理化方法及應用
        怎樣數(shù)出小正方體的個數(shù)
        GPS異常監(jiān)測數(shù)據的關聯(lián)負選擇分步識別算法
        基于小波函數(shù)對GNSS監(jiān)測數(shù)據降噪的應用研究
        一種新的多址信道有效階數(shù)估計算法*
        電訊技術(2014年1期)2014-09-28 12:25:26
        日日噜噜噜夜夜狠狠久久蜜桃 | 亚洲最大成人网站| 亚洲春色在线视频| 国产在线一91区免费国产91| 精品视频在线观看一区二区有 | 青青草视频国产在线观看| 国产精品人妻熟女男人的天堂| 丝袜美腿一区二区三区| 国产精品区一区第一页| 欧美精品高清在线xxxx| 亚洲无毛成人在线视频| 日韩av无码久久一区二区| ā片在线观看| 亚洲AV无码成人精品区H| av网站免费在线浏览| 国产亚洲精品精品精品| 欧美在线视频免费观看| 亚洲人av毛片一区二区| 亚洲成人av在线第一页| 欧美日韩视频在线第一区| 亚洲欧洲国产日产国码无码| 色妞一区二区三区免费视频| 成人影院在线视频免费观看| 成人片黄网站色大片免费观看cn| 亚洲色图视频在线观看网站 | 亚洲天堂av一区二区| 国产亚洲一本大道中文在线| 久久99欧美| 蜜桃精品国产一区二区三区| 国产女人18毛片水真多18精品| 中文字幕无码不卡一区二区三区| 精品日韩欧美| 在线国人免费视频播放| 狠狠色狠狠色综合| 久久精品国产亚洲不av麻豆| 国产av麻豆精品第一页| 亚洲 欧美 国产 制服 动漫| 国产精品国语对白露脸在线播放| 性一交一乱一乱一视频亚洲熟妇| 国产av无码专区亚洲av麻豆| 女同性黄网aaaaa片|