姓名李正强学号1013203015基于遗传模糊rbf神经网络的复合材料健康.doc

姓名：李正强 学号：1013203015 基于遗传模糊RBF神经网络的复合材料健康监测研究 随着航空航天以及智能材料结构的发展，复合材料结构的健康监测研究获得了国内外的广泛关注，人工神经网络技术被认为是解决结构损伤特征辨识这一反问题的重要手段。新兴的RBF神经网络具有学习算法简单，网络训练速度快，泛化能力强等显著的优点，近两、三年来已成为结构健康监测领域的一个新兴研究热点，但研究表明RBF神经网络的算法还存在许多有待解决的问题，特别是关于RBF网络中的参数确定问题，如隐含层的结点数量,每个结点中激活函数─径向基函数的中心和宽度,以及隐含层结点到输出层结点的连接权值等。这些参数对RBF网络的学习速度及性能有很大的影响，虽可通过聚类方法来选择，但目前还缺乏对聚类进行合理度量的准则，现有的很多学习算法都是建立在假设控制矩阵已经选定,且径向基函数中心Ci已通过随机或聚类方法得到的基础上的。 在这里提出一种基于递阶遗传算法的径向基神经网络学习算法 ─混合递阶遗传径向基函数神经网络，并用于复合材料结构脱层损伤监测研究，这种方法在染色体编码中只包含隐层神经元参数，极大的降低了解空间的维数，可以对复合材料结构的损伤位置和程度实现快速、准确预测。 1.遗传模糊RBF神经网络 采用的遗传模糊RBF神经网络拓扑结构如图1所示，该网络由输入层、匹配层、推理层、归一化层和输出层组成。该网络结构中，各层的连接方式分别为：第一层到第四层，各层之间的连接是线性连接，连接权值均为为1；归一化层到输出层的连接权值为W，对多输出结构而言，W为矩阵，对单输出结构而言，W为向量 ，这是该神经网络学习训练要解决的问题之一。其中第二层神经元节点单元的传输函数均选用高斯函数。 图1　6输入－2输出遗传模糊RBF神经网络结构 根据本文需要，确定网络结构的输入和输出数目分别为6和2， S结合实际问题的精度要求确定为3，匹配层的节点数目为18个，推理层节点个数为36＝729个，归一化层节点个数也为729个，这样就可以确定本文的模糊RBF神经网络结构各层的节点数目依次为6、18、729、729和2，文中W则为矩阵。 2.遗传模糊RBF神经网络的算法设计 遗传模糊RBF神经网络融合了遗传算法、模糊聚类和神经网络的优点，提高了处理具体问题的能力。具体算法的流程如图2所示。 图4. 2　遗传模糊RBF神经网络算法设计流程图 3.基于遗传模糊RBF神经网络的复合材料脱层损伤网络识别结果及分析 下面利用已有的复合材料结构的前6阶计算弯曲模态频率作为遗传模糊RBF神经网络的输入，网络输出是和样本数据相应的损伤大小和几何位置。 训练好的5组验证数据的结果示于表1。　 表1　5组验证数据对应的损伤参数和遗传模糊RBF神经网络的识别结果 序号 实际大小 实际位置 识别大小 识别位置 大小误差（％） 位置误差（％） 1 35 400.6 37.3035 417.1207 6.5815 4.1240 2 45 475.6 47.9027 461.0074 6.4505 -3.0683 3 52.5 460.6 52.7888 438.2856 0.5501 -4.8446 4 57.5 488.1 55.4612 507.4708 -3.5457 3.9686 5 55 505.6 51.9225 421.6296 -6.4942 -16.6081 由表1可知，遗传模糊RBF神经网络的训练已经达到了较高的精度。现在将试验件的实验测量值输入训练好的神经网络，得到的网络的识别结果示于表2。 表2　试验件的实际损伤参数及遗传模糊RBF神经网络的识别结果 试验件 实际大小 实际位置 识别大小 识别位置 大小误差（％） 位置误差（％） A3 50 400 45.4251 432.4852 -9.1498 8.1213 从表1和表2可以看出，采用遗传模糊RBF神经网络在复合材料结构脱层损伤监测中取得了较好的效果。采用的将遗传算法、模糊聚类和神经网络三者相结合的网络在结构健康监测方面具有较高的应用价值。 下面是本文用到的部分程序：个体的FCM优化部分 void individual_FCM_optimize() { double v1[inNum]; double v2[inNum]; double v3[inNum]; double f_temp=0; for(int k=0;ksampleNum;k++) { for(int i=0;in_catacount;i++) { for(int j=0;jn_catacount;j++) { for(int m=0;minNum;m++) { v1[m]=s