簡易檢索 / 詳目顯示

回結果列表
研究生： 李穆
Mu - Li
論文名稱： 以徑向基底類神經網路建立簡支梁位移場之研究
Using Radial Basis Function Neural Network to establish displacement field of simply supported beam
指導教授： 潘誠平
Chan-Ping Pan
口試委員: 鄭蘩
none
蔡幸致
none
學位類別： 碩士
Master
系所名稱： 工程學院 - 營建工程系
Department of Civil and Construction Engineering
論文出版年： 2009
畢業學年度： 97
語文別： 中文
論文頁數： 70
中文關鍵詞： 徑向基類神經網路 、攝影取樣 、位移場建立
外文關鍵詞： radial basis function
相關次數： 點閱：300  下載：2 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報
  •  上一筆

    • 本文主要目標為，測試並嘗試以徑向基底類神經網路(Radial Basis Function Neural Network, RBFNN)，進行簡支梁位移場之模擬，以試圖替代無元素方法在位移場模擬時，處理多變數輸入問題之不便。同時引入攝影系統之輔助，利用照片一次取得大量之位移資料，以替代使用應變計時無法重複利用與資料點過於離散之問題。
    首先介紹徑向基底類神經網路之理論基礎與數學模型架構，並且說明之間造成之計算差異。而後使用工程上常見之函數型態測試其回歸能力。其結果為其近似能力只要在給定恰當之神經元spread時，將有良好之表現。
    實際套用到簡支梁之實驗問題時，考慮之變數以梁上質點所在之二維座標為輸入資料，輸出其位移場時；儘管使用之照片解析度不良並具有成像變形，仍可以得到準確的位移場預測。並且在經過數值方法過濾波形中之雜訊後，甚至可以得到函數趨勢接近理論解之應變場。

    The main objective of this article is to test and try to using Radial Basis Function Neural Network to conduct the simulation of displacement field of simply supported beam.
    Because of the inconvenience of Element Free Galerkin Method in multiple variable inputing, this study use Radial Basis Function Neural Network to learn the simulation of displacement field of simply supported beam.

    論文摘要2 誌謝3 目錄4 第一章緒論6 1.1前言6 1.2研究動機與目的8 1.3文獻回顧9 1.4本文架構11 第二章徑向基底函數類神經網路（RBFNN）之理論12 2.1 前言12 2.2 徑向基底函數類神經網路（RBFNN）之架構13 2.3 徑向基底函數（RBF）之神經元（中心點）選取方法17 2.3.1　隨機選取法18 2.3.2　垂直最小平方法19 2.4 徑向基底函數（RBF）之權重推導25 2.5 徑向基底函數類神經網路（RBFNN）之輸出28 2.6 徑向基底函數類神經網路（RBFNN）之計算流程29 3.1 RBFNN模擬之特性31 例題3.1.1： 雙線性函數模擬，變動訓練資料量。31 例題3.1.2： 雙線性函數模擬，變動spread。34 例題3.1.3： 雙線性函數模擬，以OLS方法逐步增加神經元（誤差控制）。37 3.2 RBFNN函數模擬之能力43 例題3.2.1： 二維多項式函數之模擬43 例題3.2.2： 二維多項式函數模擬之資料量需求比較44 第三章應用RBFNN於簡支梁位移場之建立48 4.1 簡支梁位移場之模擬48 4.2 簡支梁應變場之模擬55 第四章結論與建議61 參考文獻65

    1.William J. Palm III，”Introduction to Matlab 7 for Engineers”，The McGraw-Hill Companies, Inc（2005）.

    2.Lucy,L.B.，“A numerical approach to the testing of the fission hypothesis.”，TheAstron.J.8(12),1013-1024(1977)

    3.J. J. Hopfield,，“Neural Networks and Physical Systems with Emergent Collective Computational Abilities.” Proceedings of the National Academy of Sciences of the United States of America, Vol. 79, No. 8, pp. 2554-2558 .(1982).

    4.R.L. Hardy,，“Multiquadric equations of topography and other irregular surfaces.” J Geophys Res 76, pp. 1905–1915. (1971).

    5.Powell M.J.D.，“Radial Basis Functions for Multivariate Interpolation: A Review. ”In Mason J.C. and Cox M.G. (eds) "Algorithms for Approximation ", Clarendon Press, Oxford, pp. 143-167.(1987).

    6.Broomhead, D. S. and Lowe, David ,，“Radial Basis Functions, Multi-Variable Functional Interpolation and Adaptive Networks.”(1988).

    7.John Moody and Christian J. Darken,，“Fast Learning in Networks of Locally-Tuned Processing Units.”(1989)

    8.Chen S.，“Orthogonal least squares learning algorithm for radial basis function networks [J].” IEEE Trans on NN,2(2) : 302- 309.(1991).

    9.H. ADELI, C. YEH，“Perceptron Learning in Engineering Design “ Published Online: Nov 6 2008 4:15AM

    10.喬凱杰（2007），”探討徑向基底函數類神經網路與微分再生核法之模擬行為”，國立台灣科技大學營建工程研究所，碩士論文。

    11.蘇俊銘（2006），”微分再生核法之工程應用”，國立台灣科技大學營建工程研究所，碩士論文。

    12.陳宗宏（2006），”類神經網路模式評估砂性土壤液化潛能探討--基因演算法”，國立台灣大學土木工程學研究所，碩士論文。

    13.蔡斐毓（2006），”類神經網路於颱風降雨與流量預報之研究”，國立台灣大學土木工程學研究所，碩士論文。

    14.鮑繼勇（2006），”運用倒傳遞類神經網路於河川定點水位預報”，國立台灣大學土木工程學研究所，碩士論文。

    15.張斐章、張麗秋、黃浩倫（2005），”類神經網路”，臺灣東華書局。

    16.張麗秋、林永堂、張斐章(2005) ，”結合OLS與SGA建構徑向基底類神經網路於洪水預測之研究”，台灣水利Vol.53,No.4,

    17.羅華強（2005），”類神經網路—MATLAB的應用”，高立圖書

    QR CODE