在結構損傷識別中的比較研究歸納的學習方法
摘要 結構損傷識別是一個熱門的研究課題。
一些歸納學習方法已經被使用來解決這個問題。
在這篇文章中，采用分治法（DAC）、變治法（SAC）、裝袋學習算法（Bagging）、徑向基神經網絡（RBFNN）四種不同的機器學習方法來對混凝土懸臂梁進行損傷位置的研究。
結果顯示歸納學習方法特別是裝袋學習方法在噪聲程度超過50%時明顯好于神經網絡方法。
關鍵字 結構損傷識別 分治法 變治法 裝袋學習算法 神經網絡1 引言土木工程結構如房屋建筑、橋梁、海洋平臺等由于地震、火災、颶風等自然災害或長期作用的疲勞、腐蝕等原因而產生不同程度的損傷，結構損傷經過長期的累積必然會導致結構發生破壞或使用性能降低。
因此，及早的發現建筑結構中所存在的損傷，對其發生的程度及位置進行分析識別成了當前國內外學術界、工程界極為關注的重大研究課題[1]。
機器學習是人工智能發展中一個十分活躍的領域。
機器學習的發展極為迅速，應用亦日益廣泛，出現了很多優秀的學習算法。
近年來出現了一些使用機器學習方法來預測結構損傷的程度和位置，通常這些方法不僅能夠處理健康數據，而且對有噪聲、不確定或不完整的信息有很精確的預測性。
以前的研究大都是使用徑向基神經網絡方法，并取得了不錯的效果。
但是，運用神經網絡方法也有一些缺點，如不易用它的權重層和晦澀的轉化來解釋結果模型，而且使用神經網絡方法需要較長的學習時間，當數據很大時，性能可能出現問題[2]。
本文中，我們先介紹分治法（DAC）、變治法（SAC）、裝袋學習算法（Bagging）、徑向基神經網絡（RBFNN）四種歸納學習方法，并通過這四種方法對一混凝土懸臂梁進行損傷位置的識別。
2 學習和識別方法2.1 分治法（Divid-and-Conquer, DAC）分治法（Divid-and-Conquer, DAC）也叫做遞歸劃分(Recursive Partitioning, RP)，它能夠分級構造有組織的規則（決策樹）。
分治法的基本思想是將一個規模為n的問題分解為k個規模較小的子問題，這些子問題互相獨立且與原問題相同。
遞歸地解決這些子問題，然后將各子問題的解合并得到原問題的解[3]。
它的一般的算法設計模式如下：divide-and-conquer(P){if(|P|
【在結構損傷識別中的比較研究歸納的學習方法】相關文章：
歸納總結學習方法08-27
數學學習方法歸納08-12
建筑結構中樁基礎設計施工研究論文10-12
物理教學中研究性學習方法研討論文10-13
學習方法的要素及結構和功能10-09
高三復習的學習方法歸納10-10
物理學習方法的概論歸納10-07
初中化學的知識歸納及學習方法10-08
顱腦損傷手術室護理研究的論文10-11