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(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的橋梁SHM應(yīng)變預(yù)測(cè)

        2020-07-25 08:13:56魏濤濤朱利明卓靜超
        工程建設(shè)與設(shè)計(jì) 2020年13期
        關(guān)鍵詞:階數(shù)監(jiān)測(cè)數(shù)據(jù)個(gè)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(jié)構(gòu)健康監(jiān)測(cè)(Structural Health Monitoring,SHM)系統(tǒng)采集的大量監(jiān)測(cè)數(shù)據(jù)如何進(jìn)行分析處理一直是目前的研究熱點(diǎn),其中,監(jiān)測(cè)數(shù)據(jù)的分析預(yù)測(cè)是后續(xù)結(jié)構(gòu)評(píng)估和安全預(yù)警的基礎(chǔ),對(duì)橋梁的管養(yǎng)工作有著重要的意義。

        神經(jīng)網(wǎng)絡(luò)由于其自適應(yīng)性和良好的容錯(cuò)性,非常適合運(yùn)用于橋梁SHM 監(jiān)測(cè)數(shù)據(jù)這類非平穩(wěn)的時(shí)間序列。本文提出了基于NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型,并與經(jīng)典時(shí)間序列理論的求和自回歸移動(dòng)平均(Autoregressive Intergrated Moving Average,ARIMA)模型進(jìn)行了對(duì)比,對(duì)上海市某斜拉橋SHM 實(shí)測(cè)應(yīng)變進(jìn)行預(yù)測(cè)和模型驗(yàn)證。

        2 NAR動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)

        非線性自回歸(Nonlinear Auto Regressive,NAR)神經(jīng)網(wǎng)絡(luò)模型是一種用于分析時(shí)間序列的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型。之所以稱之為動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)是相較于靜態(tài)神經(jīng)網(wǎng)絡(luò)而言的。一個(gè)神經(jīng)網(wǎng)絡(luò)包含輸入層、中間層和輸出層,如果在傳遞過(guò)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(wǎng)絡(luò)是靜態(tài)的,如常見的BP 神經(jīng)網(wǎng)絡(luò);如果在傳遞過(guò)程中,輸出信息作為輸入信息反饋到上一層中,則該網(wǎng)絡(luò)是動(dòng)態(tài)的。動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的這一性質(zhì),在時(shí)間序列分析中非常適用。NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)本質(zhì)上是靜態(tài)神經(jīng)網(wǎng)絡(luò)結(jié)合輸出反饋,由輸入層、隱含滯后層、輸出層構(gòu)成,是一個(gè)自回歸過(guò)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(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

        NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建分為幾個(gè)步驟:訓(xùn)練樣本數(shù)據(jù)的劃分、NAR 模型參數(shù)的選取、NAR 模型的訓(xùn)練及數(shù)據(jù)預(yù)測(cè)。其中,NAR 模型參數(shù)的選取包括了隱含層神經(jīng)元個(gè)數(shù)和滯后階數(shù)的確定;NAR 模型的訓(xùn)練包括訓(xùn)練方法的選取和訓(xùn)練次數(shù)的確定。

        NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)流程為:監(jiān)測(cè)數(shù)據(jù)的時(shí)間序列→訓(xùn)練數(shù)據(jù)劃分→設(shè)置隱含神經(jīng)元個(gè)數(shù)和滯后階數(shù)→選擇訓(xùn)練方法和次數(shù)→殘差分析→訓(xùn)練結(jié)束并保存網(wǎng)絡(luò)→數(shù)據(jù)預(yù)測(cè)。需注意的是,若殘差分析不通過(guò),需再次設(shè)置隱含神經(jīng)元個(gè)數(shù)和滯后階數(shù)。

        4 工程實(shí)例

        選取上海市某斜拉橋2017年7月1~5 日的跨中腹板應(yīng)變健康監(jiān)測(cè)數(shù)據(jù)樣本進(jìn)行應(yīng)變監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)并驗(yàn)證預(yù)測(cè)模型的適用性,共720 期數(shù)據(jù),每期間隔10min。

        4.1 樣本數(shù)據(jù)劃分

        本例樣本總量為720,其中,70%為訓(xùn)練數(shù)據(jù),15%為測(cè)試數(shù)據(jù),15%為驗(yàn)證數(shù)據(jù)。

        4.2 NAR模型參數(shù)選取

        與BP 神經(jīng)網(wǎng)絡(luò)類似,在建立NAR 模型時(shí)需要先對(duì)模型參數(shù)進(jìn)行選取,即確定NAR 神經(jīng)網(wǎng)絡(luò)的滯后階數(shù)與隱含層神經(jīng)元個(gè)數(shù)。

        滯后階數(shù):由于模型的預(yù)測(cè)值是由前一組樣本所決定的,可以根據(jù)樣本的自相關(guān)系數(shù)ACF 值來(lái)確定NAR 模型的滯后階數(shù)。由于應(yīng)變健康監(jiān)測(cè)數(shù)據(jù)樣本在第25 階左右下降到2 倍標(biāo)準(zhǔn)差范圍內(nèi),可以認(rèn)為在滯后階數(shù)25 階范圍內(nèi),樣本的相關(guān)性較強(qiáng)。因此,NAR 模型的滯后階數(shù)選擇為25 階。

        隱含層神經(jīng)元個(gè)數(shù)【1】:一般認(rèn)為神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元個(gè)數(shù)與輸出單元有關(guān)。隱含層神經(jīng)元個(gè)數(shù)過(guò)少,會(huì)導(dǎo)致擬合不足,利用信息不充分,準(zhǔn)確性下降;過(guò)多,則會(huì)導(dǎo)致學(xué)習(xí)訓(xùn)練時(shí)間長(zhǎng),過(guò)擬合,造成對(duì)新樣本的適用性變差。隱含層神經(jīng)元個(gè)數(shù)的確定采用經(jīng)驗(yàn)公式(1)和公式(2):

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

        根據(jù)經(jīng)驗(yàn)公式(1)和公式(2),可知隱含層神經(jīng)元個(gè)數(shù)為5~15個(gè)。為了進(jìn)一步確定隱含層神經(jīng)元個(gè)數(shù),分別訓(xùn)練隱含層神經(jīng)元個(gè)數(shù)為5~15個(gè)的神經(jīng)網(wǎng)絡(luò),比較之間的均方誤差MSE。由于輸入權(quán)值和閾值的隨機(jī)性,模型需訓(xùn)練多次,訓(xùn)練方法采用Levenberg Marquardt 算法,訓(xùn)練次數(shù)為20 次。結(jié)果見表1。

        表1 不同隱含層神經(jīng)元個(gè)數(shù)之間的模型誤差

        由表1 可以看出,在一定范圍內(nèi)增加隱含層神經(jīng)元個(gè)數(shù)可以減少訓(xùn)練、驗(yàn)證和測(cè)試的誤差,但并非數(shù)量越多越好,在10個(gè)左右達(dá)到誤差最小值。綜合考慮后,確定隱含層神經(jīng)元個(gè)數(shù)為10。

        4.3 構(gòu)建NAR模型

        建立應(yīng)變健康監(jiān)測(cè)數(shù)據(jù)的NAR 神經(jīng)網(wǎng)絡(luò)模型,對(duì)模型進(jìn)行多次訓(xùn)練,訓(xùn)練方法采用Levenberg Marquardt 算法,訓(xùn)練次數(shù)為50 次。

        訓(xùn)練完成后,檢測(cè)模型誤差的自相關(guān)性,以此判斷模型的適用性。根據(jù)時(shí)間序列分析的相關(guān)理論,當(dāng)殘差的自相關(guān)系數(shù)都接近0 時(shí),說(shuō)明模型構(gòu)建效果較好,即模型的殘差之間是不相關(guān)的。當(dāng)模型誤差的自相關(guān)系數(shù)除了0 階外,其余都在95%置信區(qū)間范圍內(nèi)時(shí),可以認(rèn)為模型誤差的自相關(guān)系數(shù)近似于0,誤差之間不存在相關(guān)性,模型構(gòu)造效果比較好。

        4.4 模型預(yù)測(cè)

        為了定量地確定預(yù)測(cè)模型的效果,建立了經(jīng)典時(shí)間序列分析理論的ARIMA 模型進(jìn)行對(duì)比,其采用了ARIMA(2,1,1)模型進(jìn)行預(yù)測(cè)。2 種模型應(yīng)變預(yù)測(cè)結(jié)果見圖1。

        4.5 預(yù)測(cè)結(jié)果分析

        為了進(jìn)一步定量地判斷各個(gè)模型的預(yù)測(cè)效果,采用均方誤差MSE、平均絕對(duì)百分比誤差MAPE 和可決系數(shù)R23 種統(tǒng)計(jì)學(xué)指標(biāo)來(lái)評(píng)價(jià)模型的性能。表2 為2 種預(yù)測(cè)模型的統(tǒng)計(jì)指標(biāo)對(duì)比表。

        圖1 2 種預(yù)測(cè)模型應(yīng)變預(yù)測(cè)結(jié)果圖

        表2 2 種預(yù)測(cè)模型的統(tǒng)計(jì)指標(biāo)對(duì)比

        從表2 中可以看出,在10 期和25 期預(yù)測(cè)長(zhǎng)度內(nèi),NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型的MSE 和MAPE 指標(biāo)都大幅度小于ARIMA模型,R2指標(biāo)略大于ARIMA 模型,說(shuō)明前者的穩(wěn)定性和準(zhǔn)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(yù)測(cè)期數(shù)增加,各種模型指標(biāo)都在劣化,符合數(shù)據(jù)預(yù)測(cè)的一般規(guī)律,在50 期預(yù)測(cè)長(zhǎng)度時(shí),NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型和ARIMA 模型各項(xiàng)統(tǒng)計(jì)指標(biāo)大體一致,且R2指標(biāo)都顯著不為1,說(shuō)明此時(shí)的回歸效果很差。對(duì)比結(jié)果表明,在對(duì)橋梁SHM 應(yīng)變的預(yù)測(cè)中,NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在短期內(nèi)的預(yù)測(cè)穩(wěn)定性和準(zhǔn)確性要明顯好于經(jīng)典時(shí)間序列分析理論的ARIMA 模型,具有良好的工程應(yīng)用價(jià)值。

        5 結(jié)語(yǔ)

        綜上所述,本文研究結(jié)果表明,NAR 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在短期內(nèi)的預(yù)測(cè)穩(wěn)定性和準(zhǔn)確性要明顯好于經(jīng)典時(shí)間序列分析理論的ARIMA 模型,具有良好的工程應(yīng)用價(jià)值。

        猜你喜歡
        階數(shù)監(jiān)測(cè)數(shù)據(jù)個(gè)數(shù)
        關(guān)于無(wú)窮小階數(shù)的幾點(diǎn)注記
        怎樣數(shù)出小正方體的個(gè)數(shù)
        確定有限級(jí)數(shù)解的階數(shù)上界的一種n階展開方法
        等腰三角形個(gè)數(shù)探索
        怎樣數(shù)出小木塊的個(gè)數(shù)
        GSM-R接口監(jiān)測(cè)數(shù)據(jù)精確地理化方法及應(yīng)用
        怎樣數(shù)出小正方體的個(gè)數(shù)
        GPS異常監(jiān)測(cè)數(shù)據(jù)的關(guān)聯(lián)負(fù)選擇分步識(shí)別算法
        基于小波函數(shù)對(duì)GNSS監(jiān)測(cè)數(shù)據(jù)降噪的應(yīng)用研究
        一種新的多址信道有效階數(shù)估計(jì)算法*
        免费亚洲一区二区三区av| 久久国产免费观看精品| 国产亚洲av手机在线观看| 日本人妻97中文字幕| 国产做无码视频在线观看| 人人妻人人澡人人爽欧美二区| 久久久精品国产亚洲AV蜜| 国产免费99久久精品| 激情综合五月开心婷婷| 桃花影院理论片在线| 久久亚洲国产中v天仙www| 国产成人激情视频在线观看| 日韩av一区二区三区激情在线| 69一区二三区好的精华| 激情另类小说区图片区视频区 | 精品亚洲一区二区三区在线播放| 国产精品无码素人福利| 国模少妇一区二区三区| 丁香六月久久| 国产女人乱码一区二区三区| 乱人伦中文视频在线| 精品性高朝久久久久久久| 免费a级毛片无码a∨免费| 久久日本视频在线观看| 亚洲第一最快av网站| 大地资源网最新在线播放| 91久久精品一二三区蜜桃| 久久精品国产av麻豆五月丁| 亚洲日韩国产一区二区三区在线| 免费的一级毛片| 日本高清一区二区三区不卡| 国产免费又色又爽粗视频| 看国产黄大片在线观看| 亚洲色婷婷综合开心网| 亚洲第一区二区精品三区在线| 亚洲热线99精品视频| 无码专区中文字幕DVD| 午夜一区二区在线视频| 夫妻免费无码v看片| 日本无遮挡吸乳呻吟视频| 欧美—iGAO视频网|