基于机器学习的建筑结构非线性行为预测方法研究

杨雨苔，黎志强，杜林，张帆

（肇庆开放大学）

1 引言

近年来，随着计算机技术的飞速发展，在建筑结构非线性行为的识别方面，已经有了很多的研究成果并且取得了不错的成果和进展。但目前的方法大多是针对单个个体研究并提出模型或者算法，对复杂的非线性系统，没有一种有效的辨识方法能够同时满足所有条件，所以本课题拟建立一种基于机器学习的建筑结构非线性行为识别方法。

2 基于机器学习的建筑结构非线性行为识别方法

在进行结构动力学的研究中，通常会用到诸如神经网络、贝叶斯分类算法等一些基本的方法和模型。其中，贝叶斯方法是一种比较常用的预测方法，它可以将复杂的对象通过建立数学方程，再经过一系列计算求出结果。因其准确率高，易于理解，所以被广泛应用于分析桥梁的受力情况。但对于实际的结构而言，其受力的状态可能不是很理想，因此在使用这种方法时，需要对其各种参数进行人工优化，从而提高工作效率。目前，贝叶斯法则是用来解决非线性问题的重要工具之一。

神经网络是以生物大脑神经元为中心的知识体系，是一种以信息处理系统为核心的智能神经系统。它具有能学习、自适应和自组织的特性等特点，因此在人工智能领域有着广泛的应用前景[1]。目前，基于机器学习的结构非线性行为识别方法主要有两种：第一种是从模仿输入的方式进行分类，这种方法的理论基础在于神经元从不同角度感知外界的刺激，并将其转换成相应的形式；第二种则是通过模拟输出的方式对其进行识别。

3 机器学习方法介绍

1）人工神经网络的设计和应用

利用计算机的非线性映射技术，通过对输入样本的自适应训练，实现非线性模型的自适应变化。

2）基于统计学习的算法和贝叶斯估计方法的组合权重法

该方法是一种基于概率知识的随机模拟过程，其目的在于揭示出隐藏在数据中的潜在规律，从而达到预测的作用；而贝叶斯法则是根据人脑的信息处理能力，结合专家系统进行推理，寻找出具有特定隐含关系的对象或函数。

3）混合学习的使用与研究

首先，将现有的机器学习理论与新的人工智能、模式识别等前沿科技成果相结合，再将两者的优点融合，运用到自己的程序编写中。这种方法的特点就是灵活性强，可以很好地解决传统的分类问题。其次，先对已有规则的特征属性重新构造，然后再考虑新的规则参数，最后采用适当的决策树生成初始的规则类。

4 基于机器学习的建筑结构非线性行为预测方法

4.1 性能评估

1）模型的准确性

对于一个结构复杂的非线性行为，首先要对其建模，然后再对其进行分析评价，这就需要建立比较完善的数学工具，并给出相应的算法。

2）计算的精确度

在对非线性行为的模拟过程中，要保证所选的非线性量的大小与输入的数据是一致的。

3）可验证性

可以根据实际的实验结果判断所设计的程序是否满足要求，如果该程序不能正确运行，则会导致整个系统出现错误，甚至可能造成无法挽回的损失。因此，必须考虑各种因素的影响，以及其他相关指标，以确保最终预测方法的有效性和可靠性[2]。而在这里考察的是该方法的可行性和精确性，所以还应包括该方法的成本、效率等。

4.2 基于机器学习的建筑结构非线性行为预测模型的构建

由于神经网络在预测过程中的独特优势，其强大的自适应能力和自学习的特性使它在实际的非线性状态下，也能够取得比较理想的效果。基于机器学习的建筑结构非线性行为预测模型的构建，主要分为：①输入层，人工神经元的数量、类型及处理速度等都会影响到输出的准确性；②样本挖掘，对数据的预处理工作，如噪声的去除、信号的滤波等；③模型的训练，对模型的参数估计，包括边界条件的确定和权重的设计；④算法的选择，不同的方法所需要的计算量不一样，但都要有合理的范围来选取合适的方法进行分析。在研究过程中，可以从特征提取的角度出发，针对三种常用的识别方法，加上统计学习法，结合多种辨识策略的优缺点，选用了其中一种用来检测模糊聚类的最适合的方法-KNN算法。

4.3 结构非线性行为预测

结构非线性行为预测是指利用结构参数的变化特征，通过某种特定的方式对非线性系统进行建模，并根据模型的预测结果对其状态或性能做出判断，从而实现控制的一种技术。随着计算机的发展和应用，结构非线性行为预测也有了新的方法：统计模式识别、聚类分析、支持向量机等新的神经网络算法[3]。

聚类是指把一群相似的个体组成一个组，组内的每个成员都可以按照一定的规则排列，形成群体的数据集。这种分类方法的优点在于每一类的样本数量少，便于训练集的输入与输出。但是由于其采用的样本点的位置不同，导致无法将所有样本采集到的数据集中到一组中，所以该方法只能用于少数的样本线性问题。而人工神经元理论则能在处理类似人类大脑复杂计算的时候提供简单的运算工具。

5 结构非线性行为预测系统的设计与实现

结构非线性行为预测是根据结构的实际使用情况，通过模型的建立和试验验证，对结构进行状态估计，以确定其未来的发展趋势，从而使其达到最佳的工作性能。研究基于神经网络的结构参数识别算法的设计与实现，首先需要根据线性回归预测的基本原理，进行数据的选择、样本的分类、训练集的选取等；然后给出利用人工神经元的自适应学习方法，对非线性项系数进行预判步骤；最后将该方法应用到不同的复杂系统，并与传统的BP 优化技术相结合，最终得到一个最优的结果指导结构的正常运行。

5.1 系统功能模块

5.1.1 输入数据的预处理

根据本课题所建立的模型，以及所得到的相关参数，对其进行了特征提取和标准化，并将其与标准中的要求相比较，从而确定了最终的输出结果。

5.1.2 辨识输入变量

在神经网络的训练过程中，首先对样本集的类型和数量进行预判，然后利用BP 算法对BP 问题的权值进行修正，最后将其应用到实际的非线性状态量当中。通过这样的方式实现对非线性行为的识别、估计。

具体流程如下：

①在初始化时就把待识别的对象定义为一个新的输入量，设置好之后，再去计算这个新的输入量；

②每次的运算都需要重新设定；

③当使用人工时，只需知道它的误差项，就可以去执行，同时也要保证它的精度，当我们的任务完成时，也就是被认为是一件事情已经做完，或者说这件事还没有开始之前，那么这段时间内，所有信息都被记录并保存起来（见图1）。

图1 机器学习模型构建

5.2 结构非线性行为数据库

一个优秀的非线性行为预测系统，需要有大量的数据支持，而在这些数据中，有价值的往往是无用的信息或者是错误的信号序列，这就要求模型库的建立要充分考虑到所研究的对象所处的状态以及所研究的问题之间的关联性[4]。

在课题中，使用基于结构化的FPEG的算法对结构化的非线性行为进行建模，并将其应用于具体的实例中，从而得到结构化的神经网络的参数值。该方法的主要优点在于能够根据原始的结构特征与外界环境的变化不断调整学习过程，可以有效提高学习效率。该方法的缺点也很明显，例如如果初始值不十分精确，会导致最终的结果出现误差。但是如果输入的数值足够小，则会大大的减小这个不足，并且该方法不适合用于人工模式识别。为了解决此缺陷，本课题采用了基于决策树和灰色聚类的BP神经网相结合的方式，对结构化的非线性行为预测模型进行进一步改进。

5.3 实验设计

为了验证模型的准确性和快速性，在进行了大量的理论实验之后，本课题对所需要的数据集做了一系列的处理：

①人工神经网络的BP算法预训练；

②基于图像识别的BP算法的参数估计；

③基于输入层的BP算法的误差分析。

在预实验中，我们使用的主要方法是将图片分割成不同大小的图块，然后再分别提取出每个图块的特征点，最后用加权求和得到最终的目标函数。而对于这个过程，则是通过计算各个阈值的权重来完成的。首先，利用权值的最大值来确定阈值的取值，其次是根据实际情况，设定阈值的下限和上限，并将此条件作为输出到下一个节点的判断依据。当结果大于预先设置的临界点时，则会自动撤销该节点，重新选择该节点，如此循环往复。当所有的样本都达到这种状态后，就可以开始执行下一步，即对整个序列的每一步逐次比较，从而获得每一次的优劣。

6 结语

本文主要介绍了建筑结构非线性时域算法的基本原理，并重点讨论了其训练集的方式方法及在不同环境下的性能优势。利用人工神经元的特性建立分类器，通过模拟输入信息的特征实现预测的目的；而传统的BP 方法则需要大量的处理单元，计算量大，且精度较低。为了解决这些难题，本文提出一种新的BP 多层前馈的思想，用来改进现有的BP 神经网络，即自上向下的三层结构。