跳到主要內容

臺灣博碩士論文加值系統

(44.200.86.95) 您好!臺灣時間:2024/05/22 14:25
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:李穆
研究生(外文):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
論文名稱(外文):Using Radial Basis Function Neural Network to establish displacement field of simply supported beam
指導教授:潘誠平
學位類別:碩士
校院名稱:國立臺灣科技大學
系所名稱:營建工程系
學門:工程學門
學類:土木工程學類
論文種類:學術論文
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:
  • 被引用被引用:3
  • 點閱點閱:186
  • 評分評分:
  • 下載下載:30
  • 收藏至我的研究室書目清單書目收藏:0
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
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊