论文部分内容阅读
本文证明了人工神经网络(ANN)应用于建筑材料系统辨识领域的有效性,主要从微观和宏观两个方面进行了研究。根据具体研究问题的不同,选用不同的网络模型逼近实际系统。 宏观上,以混凝土强度为例,研究如何利用神经网络建立原材料配方与混凝土强度的关系模型。介绍可以全局收敛的径向基函数(Radial basis function,RBF)神经网络。本文中该网络采用正交学习算法(Orthogonal least square,OLS)辨识混凝土强度模型,并将仿真结果与现在广受欢迎的BP网络比较。表明RBF网络的学习速度比BP神经网络显著加快,并且具有较好的泛化能力,能有效地应用于混凝土领域。 微观上,抛开具体材料形式,探讨原材料配方(这里是以化学元素形式表示)与材料内部最终形成的化学成分的关系。基于RBF网络和感知器(Perceptron)网络建立一四层前馈神经网络—径向基感知器(Radial basis perceptron,RBP)网络。该网络主要有以下特点:(1)网络结构上,两层隐层选择性连接,隐层节点数在学习过程中动态确定;(2)学习规则上,提出一种同时考虑输入输出样本信息的输入一输出聚类(Input-output clustering,IOC)方法,且聚类中心的形状参数σ自适应变化。以CaO-Al2O3-SiO2系统为例,对材料成分分析领域的仿真结果表明,该网络可成功地包含材料成分的构成信息,实现精确分类,并具有较高的泛化能力。 综上所述,神经网络作为一种先进的辨识手段将为建筑材料系统辨识领域的研究开辟一条新颖有效的途径。