基于人工神经网络方法求解半圆型防波堤波浪力.pdf

《基于人工神经网络方法求解半圆型防波堤波浪力.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、2003年9月NO.3港工技术1基于人工神经网络方法求解半圆型防波堤波浪力袁德奎徐杰陶建华(天津大学力学系天津300072)摘要:相对于传统的数值方法人工神经网络具有建模迅速~实现方法简单~求解速度快等优点G本文用人工神经网络方法研究了半圆型防波堤所受波浪力的问题为人工神经网络在海岸工程中的应用寻找新的思路和方法G关键词:人工神经网络;前馈网络模型;半圆型防波堤;波浪力求解中图分类号:TP183;TV139.26文献标识码:A文章编号:1004-9592(2003)03-0001-03半圆型防波堤属于一种低反射型防波堤设计是人工神经元

2、的基本工作原理是相同的都是模仿水位往往在堤顶附近防波堤经常处于淹没~半淹没了生物神经元的工作机理G和非淹没交替的状态水动力学特性复杂因此对波研究表明生物神经元具有如下基本特征:浪作用下的堤身受力的研究并不是一件容易的事G1)神经元是一个多输入~单输出的元件;2)输入物理模型实验花费大~周期长且只能针对具体的结与输出的关系是非线性的;3)各神经元间传递信号构形状进行G难以满足半圆堤推广应用的需求G数的强度即耦合紧密的程度是可变的且输入信号的值模拟目前已经有了一些进展[1]但数学模型的计作用有兴奋和抑制之分;4)神经元的输出响应取决算也十

3、分复杂推广应用比较困难G因而本文试探了于所有输入信号叠加综合的结果当等效的综合输用人工神经网络方法求解半圆堤上的波浪力用大入超过某一阈值时该神经元被激活否则将处于抑量的物理模型实验资料进行网络训练结果证明这制状态G种方法的效果是令人满意的G根据生物神经元的结构~作用机制经进一步简化就构成了人工神经元的模型(图1)Gl人工神经网络方法概述人的思维有逻辑性和直观性两种不同的方式G逻辑思维是指运用逻辑规则进行推理的过程而直观思维则是对大脑中分散存储的信息进行并行处理从而得出直观结论的过程G人工神经网络是模仿人脑的直观思维方式所建立的一种信息

4、处理模型G通过使用历史数据对它进行训练可以将信息分布图l人工神经元结构存储到网络的连接权上并在适当的时候将其反映图中s分别代表来自其它神经元轴1s2sn出来G因此它具有并行处理信息~知识分布存储~较突的输入;Z则分别表示第12n1jZ2jZnj强的容错性等特征G根据神经元的排列方式和信息个神经元与下一层中的第j个神经元的突触的连接的传递方式的不同人工神经网络可以分为前馈网强度即权值G正权值表示兴奋型突触负权值表示络~反馈网络和混合网络等不同的网络模型G其中应抑制型突触G9为第j个神经元的反应阈值G每一个j用最为广泛的是多层前馈网络G神

5、经元(如神经元j)接受其他神经元(如神经元z)2人工神经元的工作原理的信息传递总输入为:人工神经元是构成人工神经网络的基本要素n1j=EZzjsz-9j(1)z=1不同种类的人工神经网络具有不同的人工神经元连神经元j的输出为:接方式人工神经元也可以具有不同的学习算法G但Oj=f(1j)(2)收稿日期:2003-04-24函数f()称为转移函数必须是单调上升函2港工技术2OO3年9月NO.3数9而且必须是有界的O因为细胞的反应强度随外界转入误差的逆向传播阶段9将输出误差按某种形式9刺激的强度增加而增加9但反应值不能无限增加O通过隐层向输

6、入层逐层返回9并分摊给各层的所人工神经元是生物神经元的一阶近似9它忽略有单元9从而获得各层单元的参考误差或称误差信了许多生物神经元的特性9只模仿了生物神经元所号9以作为修改各单元权值的依据O这种信号正向传具有的大约O多个功能中的最基本9也是最重要播与误差逆向传播的各层权矩阵的反复修改过程9的3个9即:也就是网络的学习(或称训练)过程O此过程一直进)加权:可对每个输入信号进行程度不等的加行到网络输出的误差逐渐减小到可接受的程度或达权S2)求和:确定全部输入信号的组合效果S3)转移:到设定的学习次数为止O通过转移函数f()9确定其输出OB

7、P算法的信号前向传播过程由下式描述:尽管只模仿了这三个功能9人工神经元构成的N1pj=EcjzOpz(3)网络仍然显示了很强的生物原型特性9这是因为抓z=O其中cOj1O=-j91O=-9cOj=j住了生物神经元的基本特性OBP算法的误差反向传播过程由下式描述:3多层前馈网络模型(P)(P)cjz(n+)=cjz(n)+76pjOpz(A)人工神经网络结构与人脑神经元类似O在人工Kf/(1pj)(pj-Opj)9对于输出层单元神经网络中9众多神经元按照一定的方式连接9并且6pj=<()Lf/(1pj)E6p/c/j9对于隐层单元神经元

8、之间的连接强度能够按照一定的规则进行调K整与优化O这使得人工神经网络具备了强大的学习3.3多层前馈网络的映射能力目前已经从理论上证明[92]能力O其功能主要由两个方面决定:一是网络的拓扑9只要适当选择隐层神经元的数目9具