基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測方法研究

楊雨苔，黎志強(qiáng)，杜林，張帆

（肇慶開放大學(xué)）

1 引言

近年來，隨著計算機(jī)技術(shù)的飛速發(fā)展，在建筑結(jié)構(gòu)非線性行為的識別方面，已經(jīng)有了很多的研究成果并且取得了不錯的成果和進(jìn)展。但目前的方法大多是針對單個個體研究并提出模型或者算法，對復(fù)雜的非線性系統(tǒng)，沒有一種有效的辨識方法能夠同時滿足所有條件，所以本課題擬建立一種基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為識別方法。

2 基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為識別方法

在進(jìn)行結(jié)構(gòu)動力學(xué)的研究中，通常會用到諸如神經(jīng)網(wǎng)絡(luò)、貝葉斯分類算法等一些基本的方法和模型。其中，貝葉斯方法是一種比較常用的預(yù)測方法，它可以將復(fù)雜的對象通過建立數(shù)學(xué)方程，再經(jīng)過一系列計算求出結(jié)果。因其準(zhǔn)確率高，易于理解，所以被廣泛應(yīng)用于分析橋梁的受力情況。但對于實際的結(jié)構(gòu)而言，其受力的狀態(tài)可能不是很理想，因此在使用這種方法時，需要對其各種參數(shù)進(jìn)行人工優(yōu)化，從而提高工作效率。目前，貝葉斯法則是用來解決非線性問題的重要工具之一。

神經(jīng)網(wǎng)絡(luò)是以生物大腦神經(jīng)元為中心的知識體系，是一種以信息處理系統(tǒng)為核心的智能神經(jīng)系統(tǒng)。它具有能學(xué)習(xí)、自適應(yīng)和自組織的特性等特點，因此在人工智能領(lǐng)域有著廣泛的應(yīng)用前景[1]。目前，基于機(jī)器學(xué)習(xí)的結(jié)構(gòu)非線性行為識別方法主要有兩種：第一種是從模仿輸入的方式進(jìn)行分類，這種方法的理論基礎(chǔ)在于神經(jīng)元從不同角度感知外界的刺激，并將其轉(zhuǎn)換成相應(yīng)的形式；第二種則是通過模擬輸出的方式對其進(jìn)行識別。

3 機(jī)器學(xué)習(xí)方法介紹

1）人工神經(jīng)網(wǎng)絡(luò)的設(shè)計和應(yīng)用

利用計算機(jī)的非線性映射技術(shù)，通過對輸入樣本的自適應(yīng)訓(xùn)練，實現(xiàn)非線性模型的自適應(yīng)變化。

2）基于統(tǒng)計學(xué)習(xí)的算法和貝葉斯估計方法的組合權(quán)重法

該方法是一種基于概率知識的隨機(jī)模擬過程，其目的在于揭示出隱藏在數(shù)據(jù)中的潛在規(guī)律，從而達(dá)到預(yù)測的作用；而貝葉斯法則是根據(jù)人腦的信息處理能力，結(jié)合專家系統(tǒng)進(jìn)行推理，尋找出具有特定隱含關(guān)系的對象或函數(shù)。

3）混合學(xué)習(xí)的使用與研究

首先，將現(xiàn)有的機(jī)器學(xué)習(xí)理論與新的人工智能、模式識別等前沿科技成果相結(jié)合，再將兩者的優(yōu)點融合，運用到自己的程序編寫中。這種方法的特點就是靈活性強(qiáng)，可以很好地解決傳統(tǒng)的分類問題。其次，先對已有規(guī)則的特征屬性重新構(gòu)造，然后再考慮新的規(guī)則參數(shù)，最后采用適當(dāng)?shù)臎Q策樹生成初始的規(guī)則類。

4 基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測方法

4.1 性能評估

1）模型的準(zhǔn)確性

對于一個結(jié)構(gòu)復(fù)雜的非線性行為，首先要對其建模，然后再對其進(jìn)行分析評價，這就需要建立比較完善的數(shù)學(xué)工具，并給出相應(yīng)的算法。

2）計算的精確度

在對非線性行為的模擬過程中，要保證所選的非線性量的大小與輸入的數(shù)據(jù)是一致的。

3）可驗證性

可以根據(jù)實際的實驗結(jié)果判斷所設(shè)計的程序是否滿足要求，如果該程序不能正確運行，則會導(dǎo)致整個系統(tǒng)出現(xiàn)錯誤，甚至可能造成無法挽回的損失。因此，必須考慮各種因素的影響，以及其他相關(guān)指標(biāo)，以確保最終預(yù)測方法的有效性和可靠性[2]。而在這里考察的是該方法的可行性和精確性，所以還應(yīng)包括該方法的成本、效率等。

4.2 基于機(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測模型的構(gòu)建

由于神經(jīng)網(wǎng)絡(luò)在預(yù)測過程中的獨特優(yōu)勢，其強(qiáng)大的自適應(yīng)能力和自學(xué)習(xí)的特性使它在實際的非線性狀態(tài)下，也能夠取得比較理想的效果?；跈C(jī)器學(xué)習(xí)的建筑結(jié)構(gòu)非線性行為預(yù)測模型的構(gòu)建，主要分為：①輸入層，人工神經(jīng)元的數(shù)量、類型及處理速度等都會影響到輸出的準(zhǔn)確性；②樣本挖掘，對數(shù)據(jù)的預(yù)處理工作，如噪聲的去除、信號的濾波等；③模型的訓(xùn)練，對模型的參數(shù)估計，包括邊界條件的確定和權(quán)重的設(shè)計；④算法的選擇，不同的方法所需要的計算量不一樣，但都要有合理的范圍來選取合適的方法進(jìn)行分析。在研究過程中，可以從特征提取的角度出發(fā)，針對三種常用的識別方法，加上統(tǒng)計學(xué)習(xí)法，結(jié)合多種辨識策略的優(yōu)缺點，選用了其中一種用來檢測模糊聚類的最適合的方法-KNN算法。

4.3 結(jié)構(gòu)非線性行為預(yù)測

結(jié)構(gòu)非線性行為預(yù)測是指利用結(jié)構(gòu)參數(shù)的變化特征，通過某種特定的方式對非線性系統(tǒng)進(jìn)行建模，并根據(jù)模型的預(yù)測結(jié)果對其狀態(tài)或性能做出判斷，從而實現(xiàn)控制的一種技術(shù)。隨著計算機(jī)的發(fā)展和應(yīng)用，結(jié)構(gòu)非線性行為預(yù)測也有了新的方法：統(tǒng)計模式識別、聚類分析、支持向量機(jī)等新的神經(jīng)網(wǎng)絡(luò)算法[3]。

聚類是指把一群相似的個體組成一個組，組內(nèi)的每個成員都可以按照一定的規(guī)則排列，形成群體的數(shù)據(jù)集。這種分類方法的優(yōu)點在于每一類的樣本數(shù)量少，便于訓(xùn)練集的輸入與輸出。但是由于其采用的樣本點的位置不同，導(dǎo)致無法將所有樣本采集到的數(shù)據(jù)集中到一組中，所以該方法只能用于少數(shù)的樣本線性問題。而人工神經(jīng)元理論則能在處理類似人類大腦復(fù)雜計算的時候提供簡單的運算工具。

5 結(jié)構(gòu)非線性行為預(yù)測系統(tǒng)的設(shè)計與實現(xiàn)

結(jié)構(gòu)非線性行為預(yù)測是根據(jù)結(jié)構(gòu)的實際使用情況，通過模型的建立和試驗驗證，對結(jié)構(gòu)進(jìn)行狀態(tài)估計，以確定其未來的發(fā)展趨勢，從而使其達(dá)到最佳的工作性能。研究基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)識別算法的設(shè)計與實現(xiàn)，首先需要根據(jù)線性回歸預(yù)測的基本原理，進(jìn)行數(shù)據(jù)的選擇、樣本的分類、訓(xùn)練集的選取等；然后給出利用人工神經(jīng)元的自適應(yīng)學(xué)習(xí)方法，對非線性項系數(shù)進(jìn)行預(yù)判步驟；最后將該方法應(yīng)用到不同的復(fù)雜系統(tǒng)，并與傳統(tǒng)的BP 優(yōu)化技術(shù)相結(jié)合，最終得到一個最優(yōu)的結(jié)果指導(dǎo)結(jié)構(gòu)的正常運行。

5.1 系統(tǒng)功能模塊

5.1.1 輸入數(shù)據(jù)的預(yù)處理

根據(jù)本課題所建立的模型，以及所得到的相關(guān)參數(shù)，對其進(jìn)行了特征提取和標(biāo)準(zhǔn)化，并將其與標(biāo)準(zhǔn)中的要求相比較，從而確定了最終的輸出結(jié)果。

5.1.2 辨識輸入變量

在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，首先對樣本集的類型和數(shù)量進(jìn)行預(yù)判，然后利用BP 算法對BP 問題的權(quán)值進(jìn)行修正，最后將其應(yīng)用到實際的非線性狀態(tài)量當(dāng)中。通過這樣的方式實現(xiàn)對非線性行為的識別、估計。

具體流程如下：

①在初始化時就把待識別的對象定義為一個新的輸入量，設(shè)置好之后，再去計算這個新的輸入量；

②每次的運算都需要重新設(shè)定；

③當(dāng)使用人工時，只需知道它的誤差項，就可以去執(zhí)行，同時也要保證它的精度，當(dāng)我們的任務(wù)完成時，也就是被認(rèn)為是一件事情已經(jīng)做完，或者說這件事還沒有開始之前，那么這段時間內(nèi)，所有信息都被記錄并保存起來（見圖1）。

圖1 機(jī)器學(xué)習(xí)模型構(gòu)建

5.2 結(jié)構(gòu)非線性行為數(shù)據(jù)庫

一個優(yōu)秀的非線性行為預(yù)測系統(tǒng)，需要有大量的數(shù)據(jù)支持，而在這些數(shù)據(jù)中，有價值的往往是無用的信息或者是錯誤的信號序列，這就要求模型庫的建立要充分考慮到所研究的對象所處的狀態(tài)以及所研究的問題之間的關(guān)聯(lián)性[4]。

在課題中，使用基于結(jié)構(gòu)化的FPEG的算法對結(jié)構(gòu)化的非線性行為進(jìn)行建模，并將其應(yīng)用于具體的實例中，從而得到結(jié)構(gòu)化的神經(jīng)網(wǎng)絡(luò)的參數(shù)值。該方法的主要優(yōu)點在于能夠根據(jù)原始的結(jié)構(gòu)特征與外界環(huán)境的變化不斷調(diào)整學(xué)習(xí)過程，可以有效提高學(xué)習(xí)效率。該方法的缺點也很明顯，例如如果初始值不十分精確，會導(dǎo)致最終的結(jié)果出現(xiàn)誤差。但是如果輸入的數(shù)值足夠小，則會大大的減小這個不足，并且該方法不適合用于人工模式識別。為了解決此缺陷，本課題采用了基于決策樹和灰色聚類的BP神經(jīng)網(wǎng)相結(jié)合的方式，對結(jié)構(gòu)化的非線性行為預(yù)測模型進(jìn)行進(jìn)一步改進(jìn)。

5.3 實驗設(shè)計

為了驗證模型的準(zhǔn)確性和快速性，在進(jìn)行了大量的理論實驗之后，本課題對所需要的數(shù)據(jù)集做了一系列的處理：

①人工神經(jīng)網(wǎng)絡(luò)的BP算法預(yù)訓(xùn)練；

②基于圖像識別的BP算法的參數(shù)估計；

③基于輸入層的BP算法的誤差分析。

在預(yù)實驗中，我們使用的主要方法是將圖片分割成不同大小的圖塊，然后再分別提取出每個圖塊的特征點，最后用加權(quán)求和得到最終的目標(biāo)函數(shù)。而對于這個過程，則是通過計算各個閾值的權(quán)重來完成的。首先，利用權(quán)值的最大值來確定閾值的取值，其次是根據(jù)實際情況，設(shè)定閾值的下限和上限，并將此條件作為輸出到下一個節(jié)點的判斷依據(jù)。當(dāng)結(jié)果大于預(yù)先設(shè)置的臨界點時，則會自動撤銷該節(jié)點，重新選擇該節(jié)點，如此循環(huán)往復(fù)。當(dāng)所有的樣本都達(dá)到這種狀態(tài)后，就可以開始執(zhí)行下一步，即對整個序列的每一步逐次比較，從而獲得每一次的優(yōu)劣。

6 結(jié)語

本文主要介紹了建筑結(jié)構(gòu)非線性時域算法的基本原理，并重點討論了其訓(xùn)練集的方式方法及在不同環(huán)境下的性能優(yōu)勢。利用人工神經(jīng)元的特性建立分類器，通過模擬輸入信息的特征實現(xiàn)預(yù)測的目的；而傳統(tǒng)的BP 方法則需要大量的處理單元，計算量大，且精度較低。為了解決這些難題，本文提出一種新的BP 多層前饋的思想，用來改進(jìn)現(xiàn)有的BP 神經(jīng)網(wǎng)絡(luò)，即自上向下的三層結(jié)構(gòu)。