基于CFD的Π型断面颤振导数神经网络预测
【学位授予单位】:长安大学
【学位级别】:硕士
【学位授予年份】:2018
【分类号】:U441.3
【图文】:
图 2.1 具有两个隐含层的 BP 神经网络结构网络的相邻两个层之间的每个神经元都互相连接,而同一层由于含有多个隐含层的 BP 神经网络能够产生更加复杂和多输入信号中提取出的信息更丰富,因而增加隐含层数比增加理非线性问题能力的提高效果更明显。BP 神经网络的内置模型出模型为: = ∑ 输出模型为: = ∑ 为非线性作用函数, 为单元阈值[36]。模型
图 2.2 Log-Sigmoid 函数图形 图 2.3 Tan-Sigmoid 函数图形可见,Sigmoid 函数图形是光滑的曲线,在处理分类问题时,它比线性函数的精度高,同时具有较好的容错性。它将以整个实数域为取值范围的输入信号映射到(0,1)或者(-1,1)。在坐标原点附近,输入信号的绝对值较小,而函数的输出值大于输入值,此时Sigmoid 函数对输入信号具有放大作用;当输入信号的绝对值逐渐增大时,Sigmoid 函数的放大作用逐渐减小。3. 误差计算模型为评估神经网络预测结果的误差,引入误差计算公式: = ∑ (2.49)式中, 为神经网络期望输出值, 为神经网络实际输出值。4. 自学习模型神经网络权重矩阵 的误差修正过程被称为学习。BP 神经网络有导师的学习方式
图 2.2 Log-Sigmoid 函数图形 图 2.3 Tan-Sigmoid 函数图形可见,Sigmoid 函数图形是光滑的曲线,在处理分类问题时,它比线性函数的精度高,同时具有较好的容错性。它将以整个实数域为取值范围的输入信号映射到(0,1)或者(-1,1)。在坐标原点附近,输入信号的绝对值较小,而函数的输出值大于输入值,此时Sigmoid 函数对输入信号具有放大作用;当输入信号的绝对值逐渐增大时,Sigmoid 函数的放大作用逐渐减小。3. 误差计算模型为评估神经网络预测结果的误差,引入误差计算公式: = ∑ (2.49)式中, 为神经网络期望输出值, 为神经网络实际输出值。4. 自学习模型神经网络权重矩阵 的误差修正过程被称为学习。BP 神经网络有导师的学习方式
【参考文献】
相关期刊论文 前7条
1 费金龙;韩涛;邹威;祝跃飞;;一种基于混合模型WRC的流量预测方法[J];华中科技大学学报(自然科学版);2015年05期
2 祝志文;夏昌;;基于两种湍流模型的桥梁颤振导数识别研究及比较[J];湖南大学学报(自然科学版);2010年11期
3 祝志文;顾明;陈政清;;基于3211多阶跃激励CFD模型的颤振导数识别研究[J];振动工程学报;2008年01期
4 许福友;陈艾荣;;全桥气弹模型颤振导数识别[J];土木工程学报;2007年07期
5 陈政清;胡建华;;桥梁颤振导数识别的时域法与频域法对比研究[J];工程力学;2005年06期
6 李乔,杨兴旺;桥梁主梁断面空气力学特性分析的人工神经网络方法[J];中南公路工程;2000年03期
7 李明水,贺德馨,李会知;桥梁节段模型颤振导数的确定[J];工程力学;1995年01期
相关会议论文 前1条
1 曹曙阳;;计算流体力学在风工程中的应用[A];第十四届全国结构风工程学术会议论文集(上册)[C];2009年
相关博士学位论文 前2条
1 唐煜;流线型箱梁断面非线性自激力与非线性颤振响应研究[D];西南交通大学;2015年
2 惠冰;沥青路面车辙破坏模式识别、多维度指标评价与预测研究[D];长安大学;2013年
相关硕士学位论文 前10条
1 陈帅宇;基于CFD的自由耦合振动法计算桥梁颤振临界风速[D];长安大学;2017年
2 李仁鑫;交错布局下轻型可移动双坡房屋群表面风压特性研究[D];长安大学;2016年
3 刘研;基于萤火虫算法和RBF神经网络的高速公路交通流预测[D];长安大学;2016年
4 张斐;桥梁断面颤振导数识别方法研究及MATLAB实现[D];长安大学;2016年
5 张悦;基于数值模拟的π形主梁断面颤振导数研究[D];长安大学;2015年
6 邓小龙;基于PC Newmark-β法的流固耦合涡激振动数值模拟[D];浙江大学;2015年
7 马润田;大跨钢管桁架结构风荷载数值模拟与健康监测研究[D];兰州理工大学;2014年
8 高伟;斜风作用下大跨度桥梁颤振导数研究[D];西南交通大学;2013年
9 洪光;基于Fluent软件采用自由振动法识别大跨度桥梁的颤振导数[D];长安大学;2012年
10 任娜;桁架桥梁颤振导数的影响因素研究[D];长安大学;2010年
本文编号:2788760
本文链接:https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/2788760.html