RBF神经网络方法在斜拉桥中跨合龙中的应用.pdfVIP

第34卷 第33期 山 西 建 筑 Vo1．34No．33 2008年 11月 SHANXI ARCHITEC兀瓜E Nov． 2008 ·1 · · 专 家 专 稿 · 文章编号：1009—6825{2008)330001—03 RBF神经网络方法在斜拉桥中跨合龙中的应用* 冉 志 红 摘 要：以南京长江第三大桥的中跨合龙为例，介绍了以RBF神经网络技术为基础的数据预测方法，研究表明，人工神 经网络方法在解决多影响因子复杂非线性问题方面具有显著的优势，通过具体实例验证了该方法具有较强的可行性及 可靠性。 关键词 ：斜拉桥，施工控制，RBF神经网络，中跨合龙 中图分类号 ：U448．27 文献标识码 ：A 0 引言 别为隐含层第J个单元的中心与宽度。 对于大跨度斜拉桥的施工，目前国内大多采用悬拼法。在其 施工过程中，常常出现许多难以判明的影响因素(临时荷载、温度 场等)，使施工控制工作异常复杂，且呈现出高度非线性特性。本 文就南京长江第三大桥中跨合龙阶段的施工控制进行分析。 斜拉桥的中跨合龙施工是主梁施工过程的最后一个施工阶 段，同时也是最复杂、最关键的一个施工阶段。由于此阶段合龙 段梁长较大，而合龙 口的间隙富余量只有 3cm 5锄，已安装好 输入层LA 隐含层 LB 输 出层 LC 的各梁段施工所累积的误差 ，再加上温度场对温度变化十分敏 图1 RBF网络基本结构 感 ，配切长度稍有 出入就可能导致合龙工作无法顺利进行。所 1．2 学习算法 以，对合龙 口间距B 进行连续观测就显得尤为重要。在观测过 RBF网络的学习过程包括隐含层单元学习和输 出层单元学 程中，对影响合龙口的主要因素温度场 的观测也应同步进行。 习两个阶段。第一个阶段学习一般采用无教师学习的聚类法，其 为了利用大量的观测数据来预测合龙配切长度，这就要求我们建 实质就是对输入的局部区域进行分析 ，并决定隐含层神经元的参 立温度场到合龙 口间距 的非线性映射关系 ：B ：F( )，显然， 数——径向基函数的中心和宽度 (，)，当输入信息与某隐含层 这种映射关系不能用传统方法来建立了。 单元中心接近时，该隐含层的输出最大。第二阶段学习就是在确 近 10年来 ，迅速发展起来的人工神经网络( )方法可以 定好隐含层单元的参数后，根据输出神经元是一个线性求和器的 很好地表现复杂非线性动态系统的特性，可以处理一些环境信息 特点，利用样本和最小二乘原则，求出输出层的权值，其实质就是 十分复杂、推理规则不明确的问题。更为重要的是，神经网络能 求解一个线性方程组。 够滤掉噪声，对于实际测量时可能出现的误差具有很强的辨识能 1．3 RBF算法的程序实现 力_1_5]。因此，笔者尝试用神经网络来建立非线性映射关系。计 神经网络的实现方法很多，主要有两大类：硬件实现和软件实 算结果和实践都表明，该方法具有较强的可行性及可靠性。 现。前者主要是制造神经网络计算机，目前主要有VLSI实现技术 1 RBF神经网络及其算法 和光学实现技术两种，这种方法成本较高，但运行速度较快，因此 1．1 网络的结构简介 适合于大型神经网络的实现；后者主要是利用一些编程平台来编 RBF网络是人们继BP网络后研究的另一类前馈神经网络一 制程序。当然，也有许多的专用软件本身就带有神经网络的计算 径向基 函数神经网络 ，它的学习速度 比BP网络 的学习速度快 软件包 (如常用的Matlab)，可以直接使用。本文就是使用 Madab 100倍～10倍，且有极好的泛化能力。因而在模式识别、数据