隨著社會(huì)的發(fā)展、科技的進(jìn)步和國(guó)家整體實(shí)力的增強(qiáng),機(jī)場(chǎng)航站樓、體育場(chǎng)館、會(huì)展中心和飛機(jī)庫(kù)等大空間的復(fù)雜建筑應(yīng)運(yùn)而生,同時(shí)也讓建筑行業(yè)處于大的機(jī)遇挑戰(zhàn)之中。挑戰(zhàn)在于大空間結(jié)構(gòu)設(shè)計(jì)復(fù)雜,結(jié)構(gòu)類型選取的不當(dāng)性增大,這使得對(duì)大跨空間結(jié)構(gòu)設(shè)計(jì)的要求需要巨大的提高。現(xiàn)在我國(guó)大跨度空間結(jié)構(gòu)選型研究的有關(guān)設(shè)計(jì)規(guī)范還不能夠完全滿足設(shè)計(jì)的需求,致使大跨空間結(jié)構(gòu)設(shè)計(jì)存在選型不合理、造價(jià)偏高等問(wèn)題。因此,設(shè)計(jì)師越來(lái)越多的關(guān)注到大型空間結(jié)構(gòu)設(shè)計(jì)中結(jié)構(gòu)選型的問(wèn)題。同時(shí)因?yàn)?結(jié)構(gòu)選型有許多不確定性因素,用傳統(tǒng)方法建模,解決這個(gè)問(wèn)題是非常困難的。所以,找到結(jié)構(gòu)選型的科學(xué)方法,建立智能化系統(tǒng),可以解決造價(jià)、設(shè)計(jì)周期等問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)可通過(guò)學(xué)習(xí)和訓(xùn)練實(shí)現(xiàn),將知識(shí)的獲取、表示和推理合為一體,可利用相對(duì)比較容易搜集取得的有特征性的重要知識(shí),所以,以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)研究的關(guān)于建筑結(jié)構(gòu)形式選取的專家系統(tǒng)來(lái)輔助設(shè)計(jì)是需要重點(diǎn)被研究的。本文采用一種改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)方法解決了常用的BP神經(jīng)網(wǎng)絡(luò)局限性大,可能會(huì)陷入局部最優(yōu)解的問(wèn)題。此方法不但用到了人工神經(jīng)網(wǎng)絡(luò)的高度非線性、自學(xué)習(xí)和實(shí)時(shí)處理、高容錯(cuò)性和魯棒性等特性,而且運(yùn)用了遺傳算法的全局優(yōu)化能力,存儲(chǔ)和使用專家經(jīng)驗(yàn),使普通設(shè)計(jì)師輸入一些基本相關(guān)信息,能比較容易解決結(jié)構(gòu)選型問(wèn)題。本文還搜集了大量的空間結(jié)構(gòu)建筑案例,建立實(shí)例庫(kù),提取結(jié)構(gòu)選型的主要影響因子,用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱建立遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選型模型,用MATLAB語(yǔ)言編寫人機(jī)交互式界面,使選型過(guò)程簡(jiǎn)潔清晰。
【學(xué)位單位】：東北石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP183;TU399
【部分圖文】：

2．群體的大小 N ，種群規(guī)模的大小與遺傳算法的收斂性和計(jì)算效率有很大關(guān)系規(guī)模太小容易收斂至局部最優(yōu)解；規(guī)模太大，會(huì)造成計(jì)算速率降低，所以，一般群體小在[20, 100]范圍內(nèi)取值，遺傳算法以該群體作為初始迭代點(diǎn)。3．交叉概率Pc，父輩個(gè)體產(chǎn)生了下一代中間個(gè)體，實(shí)現(xiàn)了信息的交換。遺產(chǎn)算中Pc 取值較大，同時(shí)種群的優(yōu)良模式受到破壞的可能性加大，導(dǎo)致較大的代溝生成搜索趨于隨機(jī)化。 Pc 取值過(guò)小，代溝較小，找到最優(yōu)的可能性加大，但進(jìn)化速度比慢，Pc的取值范圍一般在[0.4,1]之間。4．變異概率Pm，在群體中隨機(jī)的選擇的一個(gè)個(gè)體，以Pm的大小改變所選擇的體當(dāng)中一些或一個(gè)基因的數(shù)值。變異提供了產(chǎn)生新個(gè)體的機(jī)會(huì)。Pm較大時(shí)可以產(chǎn)生多新個(gè)體，同時(shí)可能遭到破壞比較好的模式，降低性能；Pm小時(shí)會(huì)減少新個(gè)體的產(chǎn)生Pm一般在[0.001, 0.1 ]之間取值。5．終止代數(shù)T ，終止代數(shù)代表遺傳算法運(yùn)行的結(jié)束，運(yùn)行到T 程序就會(huì)自動(dòng)停并且輸出群體中的最佳個(gè)體，T 一般在[100, 1000]之間取值。以上這些參數(shù)的選擇會(huì)影響遺傳算法的運(yùn)行性能[82],[83]。

人們發(fā)現(xiàn)在神經(jīng)網(wǎng)絡(luò)的研究中還有許多問(wèn)圖 2.2 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖2.2.1 BP 神經(jīng)網(wǎng)絡(luò)算法BP 神經(jīng)網(wǎng)絡(luò)（Backpropagation Algorithm）是一種多層前饋網(wǎng)絡(luò)。也是目前應(yīng)用最多的一種神經(jīng)網(wǎng)絡(luò)，它的模型包括輸入層、隱含層、輸出層、層與層之間通過(guò)權(quán)值連接[84]。它的特點(diǎn)是信息向前傳遞誤差反向傳遞從而間接算出隱含層的誤差。據(jù)統(tǒng)計(jì)，絕大部分神經(jīng)網(wǎng)絡(luò)模型幾乎都是采用 BP 網(wǎng)絡(luò)或是 BP 網(wǎng)絡(luò)的變異形式的，BP 神經(jīng)網(wǎng)絡(luò)展示了神經(jīng)網(wǎng)絡(luò)中最完美、最精華的部分。理論完備研究起步較早，信號(hào)由輸入層傳至網(wǎng)絡(luò)模型，經(jīng)隱含層處理傳到輸出層。輸出層的輸出與期望輸出間存在誤差反向傳遞，調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值與閾值使模型能學(xué)習(xí)到樣本數(shù)據(jù)的特征。通過(guò)大量的樣本數(shù)據(jù)訓(xùn)練來(lái)獲得網(wǎng)絡(luò)的非線性映射能力。BP 算法中含有正向傳播過(guò)程，輸入信息從輸入層經(jīng)過(guò)隱含層計(jì)算各單元的輸出值和反向傳播過(guò)程，輸出誤差向前算出隱含層各單元的誤差，用此誤差修正前層權(quán)值。BP 網(wǎng)絡(luò)使用的傳遞函數(shù)通常是 Sigmoid 型可微函數(shù)，可實(shí)現(xiàn)輸入、輸出之間的任意非線性映射[85]。它的泛化能力可以使訓(xùn)練好的網(wǎng)絡(luò)在輸入未曾訓(xùn)練過(guò)的數(shù)據(jù)時(shí)，能準(zhǔn)確的映射輸出，并且當(dāng)輸入樣本中有個(gè)別誤差較大的數(shù)據(jù)時(shí)，對(duì)網(wǎng)絡(luò)模型整體影響很小。為保證穩(wěn)定性，采用較小的學(xué)習(xí)率，網(wǎng)絡(luò)收斂速度會(huì)比較慢。“負(fù)梯度下降”理論是 BP 算法的核心內(nèi)容。常規(guī)的三層 BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的公式如下：( 1)()

第二章 遺傳神經(jīng)網(wǎng)絡(luò)及專家系統(tǒng)理論概述5．傳遞函數(shù)[87]傳遞函數(shù)是 BP 網(wǎng)絡(luò)的重要組成部分。網(wǎng)絡(luò)解決問(wèn)題的能力與網(wǎng)絡(luò)采用的傳遞函數(shù)有很大關(guān)系。傳遞函數(shù)又稱為激活函數(shù)，必須是連續(xù)可微的，作用是控制輸入對(duì)輸出的激活，函數(shù)將輸入（可能無(wú)限域）轉(zhuǎn)至輸出（指定的有限范圍內(nèi)的）。傳遞函數(shù)的設(shè)計(jì)包括輸入層到隱含層的傳遞函數(shù)和隱含層到輸出層的傳遞函數(shù)兩個(gè)。常用的傳遞函數(shù)主要包含線性函數(shù)、非線性斜面函數(shù)、閾值函數(shù)和 S 型函數(shù)[88],[89]見(jiàn)圖，2.3-2.5。（1）線性函數(shù)是傳遞函數(shù)數(shù)中最基本的一種函數(shù)網(wǎng)絡(luò)的輸出等于加權(quán)輸入加上偏差。表達(dá)式為：f n et k net c其中 k 為擴(kuò)大乘數(shù)，net 為網(wǎng)絡(luò)神經(jīng)元，c為常數(shù)項(xiàng)。
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張蓉;;關(guān)于高層建筑的結(jié)構(gòu)選型探討[J];山西建筑;2015年27期

2 傅強(qiáng);胡振宇;;大跨度空間結(jié)構(gòu)選型探析[J];住宅科技;2014年08期

3 蘆俊;;溫度應(yīng)力及風(fēng)荷載對(duì)大跨度空間結(jié)構(gòu)的影響[J];門窗;2014年04期

4 胡桂春;;深基坑邊坡支護(hù)的技術(shù)措施[J];科技創(chuàng)業(yè)家;2014年01期

5 張福威;高振亮;李軍;;一種結(jié)合改進(jìn)遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的圖像壓縮算法[J];長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年06期

6 王國(guó)強(qiáng);;結(jié)構(gòu)選型的重要性[J];科技風(fēng);2013年19期

7 陳勇;王夢(mèng)雪;;大跨空間結(jié)構(gòu)的應(yīng)用與發(fā)展[J];黑龍江科技信息;2013年15期

8 ZHANG ShiHai;OU JinPing;;BP-PSO-based intelligent case retrieval method for high-rise structural form selection[J];Science China(Technological Sciences);2013年04期

9 陳志華;;弦支結(jié)構(gòu)體系研究進(jìn)展[J];建筑結(jié)構(gòu);2011年12期

10 馮遠(yuǎn);夏循;王立維;廖理;石軍;馮曉鋒;馮中偉;;常州體育館會(huì)展中心結(jié)構(gòu)設(shè)計(jì)[J];建筑結(jié)構(gòu);2010年09期

相關(guān)博士學(xué)位論文 前1條

1 丁大益;大跨度鋼結(jié)構(gòu)選型、設(shè)計(jì)分析及關(guān)鍵節(jié)點(diǎn)試驗(yàn)研究[D];合肥工業(yè)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 馬琳;大空間復(fù)雜混合結(jié)構(gòu)體系的結(jié)構(gòu)選型與計(jì)算分析[D];重慶大學(xué);2014年

2 于萬(wàn)秀;遺傳神經(jīng)網(wǎng)絡(luò)與模糊綜合評(píng)定結(jié)合在高層結(jié)構(gòu)選型中應(yīng)用[D];中南大學(xué);2014年

3 明源;基于BP神經(jīng)網(wǎng)絡(luò)方法的主權(quán)債務(wù)危機(jī)預(yù)警研究[D];西南財(cái)經(jīng)大學(xué);2013年

4 汪菊;網(wǎng)架結(jié)構(gòu)設(shè)計(jì)與加固研究[D];中南大學(xué);2012年

5 劉功良;基于遺傳神經(jīng)網(wǎng)絡(luò)對(duì)高層建筑結(jié)構(gòu)選型的研究[D];東北石油大學(xué);2012年

6 徐鵬飛;利用遺傳神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)地震預(yù)測(cè)的研究[D];安徽大學(xué);2010年

7 周科偉;Matlab環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別[D];西安電子科技大學(xué);2009年

8 陳正偉;大跨度機(jī)床橫梁有限元分析及結(jié)構(gòu)優(yōu)化[D];東北大學(xué);2008年

9 花林林;層單元結(jié)構(gòu)模型在高層建筑結(jié)構(gòu)方案設(shè)計(jì)中的應(yīng)用[D];廈門大學(xué);2007年

10 寇立業(yè);大跨鋼結(jié)構(gòu)方案設(shè)計(jì)知識(shí)發(fā)現(xiàn)的研究[D];哈爾濱工業(yè)大學(xué);2006年

本文編號(hào)：2892307