由于结构主动控制对地震反应振动控制的高效性,使主动控制在建筑结构振动控制领域中,具有广阔的应用前景,但是主动控制存在难以建立一个精确的数学模型,存在时滞效应等问题。神经网络不需要建立精确的数学模型,只是通过学习输入输出训练样本数据,就可归纳出隐含在系统输入输出中的关系;应用神经网络预测结构响应可以解决主动控制中的时滞问题,为控制决策提供依据。目前常用的预测神经网络主要有BP神经网络和RBF神经网络。BP神经网络存在学习速度慢、易陷入局部极小的缺点,且BP神经网络的学习,记忆具有不稳定性;与BP神经网络相比,RBF神经网络学习速度快,动态仿真性强,具有较强的非线性输入输出映射功能和全局最优逼近性质,能避免局部最小,能够线性调整权值,不反向传播误差,同时硬件实现相对简单,近年来倍受人们的关注,已成为对各种非线性系统进行实时识别和控制的良好选择。针对快速预测结构动力响应有助于克服结构振动控制中时滞效应的特点及BP网络存在的问题,应用RBF网络对结构的位移、加速度进行了预测,并采用BP网络作对比研究。仿真结果表明RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标。为了进一步提高网络的泛化能力,即对不同的地震激励作用,基于神经网络的结构响应预测都有较高的预测精度,在选择神经网络的输入输出训练样本数据时进行了分析:在预测结构的动力响应时,地震激励是一个不可忽视的因素,因此在选取训练样本数据的时候,就要考虑地震激励的影响。此外,结构本身的动力响应变化趋向也是一个重要的影响因素,因此选取训练样本的时候,还要考虑结构本身的动力响应。选取El-Centro波和应用序列最优控制算法计算所得的结构的响应或控制力作为训练样本,利用Kobe波,North-Ridge波和Taft波及在它们的作用下产生的结构响应或控制力作为新的输入,对结构的动力响应和结构所需的控制力进行了预测,检测网络的性能。仿真结果表明,改进后的RBF神经网络具有较高的泛化能力,可以比较全面的获取结构的动力特性,对不同的地震激励都有相当好的预测结果,完全可以为在线实时控制结构响应提供依据。