基于改进神经网络与支持向量机的大跨缆索桥梁损伤定位方法研究

摘要

大跨缆索支承桥梁的损伤识别是一个具有重要工程意义和极大挑战性的课题。本文分别基于BP网络、径向基(RBF)网络和支持向量机(SVM)，开展了大跨缆索支承桥梁损伤定位方法的研究。 针对传统BP网络的若干缺陷，如学习效率低、收敛慢、易陷入局部极小、网络拓扑结构不易确定等，提出了综合采用“Bold Driver”技术、增加动量项、模拟退火算法、随机爬山算法的改进BP算法：以润扬大桥北汊斜拉桥为背景，在对其斜拉索损伤特征曲线进行分析的基础上，提出了基于改进BP网络的损伤定位方法，通过对改进BP算法的参数选取研究，给出了各参数的建议取值。研究表明，本文所提出的改进BP算法能有效地识别斜拉桥拉索的损伤位置。 通过对RBF网络的OLS-RBF学习算法的分析，揭示了网络行为的过拟合现象，提出了基于R<,+><'2>准则与Jacknife校验的改进算法；以润扬大桥南汊悬索桥为背景，在对其吊索损伤进行分析的基础上，考虑到悬索桥损伤规律的复杂性，提出了混合训练模式，并进行了混合训练模式与单一训练模式、改进算法与常规算法的比较研究，结果证明了改进算法与混合训练模式能明显提高损伤定位效果。 在针对支持向量机的统计学习理论基础上，提出了基于最小二乘支持向量机(LS-SVM)与数值统计的损伤定位方法。该方法利用LS-SVM学习结构的位移响应分布规律，采用数值统计方法对LS-SVM的预测残差进行分析，可有效地判断结构是否发生刚度损伤。在对该方法算例验证的基础上，对润扬大桥南汊悬索桥主梁的小损伤工况进行了损伤定位研究。研究表明，本文所提出的基于LS-SVM与数值统计的方法能够有效地识别悬索桥主梁的损伤位置。

目录

文摘

英文文摘

声明

第一章绪论

1.1 引言

1.2神经网络应用于结构损伤识别的研究现状

1.3支持向量机应用于结构损伤识别的研究现状

1.4本文的主要研究内容

参考文献

第二章基于改进BP神经网络的缆索桥梁损伤定位方法

2.1 引言

2.2改进的BP神经网络算法

2.2.1 BP网络结构及其学习算法

2.2.2 BP网络算法的改进

2.3基于改进BP网络的斜拉桥拉索损伤定位研究

2.3.1大跨斜拉桥拉索损伤特征分析

2.3.2大跨斜拉桥拉索损伤定位分析

2.4本章小结

参考文献

第三章基于改进RBF神经网络的缆索桥梁损伤定位方法

3.1引言

3.2改进的RBF神经网络算法

3.2.1 0LS-RBF学习算法

3.2.2 0LS-RBF学习算法的改进

3.3基于改进RBF网络的悬索桥吊索损伤定位研究

3.3.1大跨悬索桥吊索损伤特征分析

3.3.2大跨悬索桥吊索损伤定位分析

3.4本章小结

参考文献

第四章基于LS-SVM与数值统计的缆索桥梁损伤定位方法

4.1引言

4.2支持向量机与最小二乘支持向量机

4.2.1支持向量机

4.2.2最小二乘支持向量机

4.3基于LS-SVM与数值统计的损伤定位方法研究

4.3.1基于LS-SVM与数值统计的损伤定位方法

4.3.2算例分析

4.4大跨悬索桥的主梁损伤定位与分析

4.5本章小结

参考文献

第五章全文总结与展望

5.1全文工作总结

5.2研究展望

附录 润扬悬索桥吊索损伤定位图

作者在攻读博士学位期间发表的主要学术论文

致谢