全文总字数：4039字

1. 研究目的与意义及国内外研究现状

人工智能的方法和技术已经用于解决很多领域的问题，并取得了一定的成就，而神经网络是人工智能领域的重要分支，从对神经网络进行理论探讨的角度，可以通过计算机仿真途径来模拟实现特定的神经网络模型。主动控制在建筑结构振动控制领域中，具有广阔的应用前景，但是主动控制存在难以建立一个精确的数学模型，存在时滞效应等问题。神经网络不需要建立精确的数学模型，只是通过学习输入输出训练样本数据，就可归纳出隐含在系统输入输出中的关系。应用神经网络预测结构响应可以解决主动控制中的时滞问题，为控制决策提供依据。因此，本次选题主要研究bp神经网络、rbf神经网络预测模型对具体建筑结构动力响应以及组合神经网络预测模型对具体建筑结构动力响应。bp(back propagation)神经网络是1986年由rumelhart和mcclelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。而rbf神经网络是种高效的前馈式网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。

本次选题采用matlab软件设计神经网络预测模型，得到具体模型数据，对结果参数进行具体分析，研究成果应用于具体实践。目前神经网络在很多领域中广泛应用。随着时代的发展，其在建筑结构中的应用是必不可少的。因此本课题主要研究组合神经网络在建筑结构中的应用，例如建筑结构安全、桥梁抗风维度、特殊施工、振动响应、加速度响应等。因此，本课题首先采用matlab软件设计神经网络预测模型，提供足够的样本数据，进行基于神经网络的组合模型结构振动响应单步及多步预测实验，得到相关数据，分析单独建模与组合建模的优缺点，再应用于以上实践。

国内外研究现状

从20世纪40年代起很多心理学家和数学家都在研究人工神经网络，模拟神经网络的原创文章发表于1943年，两位作者都是传奇人物，麦卡洛可（mcculloch）和皮茨（pitts)。 1943年，心理学家麦卡洛可和数学家皮茨提出mp模型，具有开创意义，为以后的研究工作提供了依据；1945年冯诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。虽然，冯诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。 1949年，心理学家hebb提出了著名的hebb学习规则。 50年代末，frosenblatt设计制作了“感知机”，它是一种多层的神经网络。这项工作首次把人工神经网络的研究从理论探讨付诸工程实践；另外，在60年代初期，widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。后来，在此基础上发展了非线性多层自适应网络。当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型； 80年代，人工神经网络的研究成果开始用于计算机； 1982年,hopfield j j提出hopfield网络模型；1985年，powell提出了多变量插值的径向基函数（rbf）方法；1986年rumelhart d e和lmccleiiand j提出ebp算法；同年由rumelhart和mccelland为首的科学家小组提出一种按误差逆传播算法训练的多层前馈网络，即bp网络，bp网络是目前应用最广泛的神经网络模型之一。美国的物理学家hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。人们重新认识到神经网络的威力以及付诸应用的现实性。随即，一大批学者和研究人员围绕着 hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮； 1985年一月，《neural network》创刊； 1987年，国际神经网络学会成立，并决定定期召开国际神经网络学术会议； 1990年12月在北京召开了首届神经网络学术大会；20世纪90年代出现了svm；2006年深度学习的理念正式被提出；2016年alphago的出现把深度学习推向了一个新的高度。

2. 研究的基本内容

首先，调查近年来神经网络、时间序列预测的发展概况及趋势，了解其在相关建筑结构实践中起到的作用。在多种神经网络应用中具体研究分析bp神经网络和rbf神经网络。第一步就是了解掌握bp神经网络和rbf神经网络的结构、特点及工作原理，再学习并掌握多步预测的特点及工作原理。

其次，本次研究主要采用matlab软件实现，需熟悉掌握matlab软件应用与编程方法。首先，采用matlab软件设计bp神经网络预测模型并讨论模型参数对预测效果的影响。由于bp神经网络预测模型需要大量的样本数据用来训练和测试，当样本数量不够时，预测的误偏差很大，因此要提供足够的样本数据。而rbf神经网络是种高效的前馈式网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快，可以较好地解决了bp网络的局部最优问题。所以，本课题在bp神经网络的基础上，引入rbf神经网络，将bp神经网络与rbf神经网络组合建模，进行实验，得到相关数据，分析与bp单独建模的优缺点。

最后，针对具体的建筑结构研究分析组合神经网络单步及多步预测模型，讨论不同多步预测方式下的模型预测精度对预测效果的影响，并进行预测结果误差分析。对上述几种预测方法得到的预测效果进行综合对比，分析其各自的性能特点。对应的将实验分析的结果应用于建筑结构安全、特殊施工等具体建筑实例，分析其在具体应用中的优缺点，进行改善研究。

3. 实施方案、进度安排及预期效果

2018.11月，根据电脑配置安装合适版本matlab软件，熟悉并掌握matlab软件的各种应用以及编程方法，主要是程序编写以及运行模块的运用。2018.12月，上网或借阅书籍了解神经网络的相关基础知识。

2019.1-2019.2月，在有一定基础的情况下调查研究bp神经网络、rbf神经网络、时间序列预测以及多步预测的发展概况及趋势。1月中下旬，详细查阅相关资料，熟练掌握bp神经网络和rbf神经网络的结构、特点及工作原理，为接下来的工作做准备。

2019.2月下旬-2019.3月，整理bp神经网络以及时间序列预测相关资料，先采用matlab软件设计bp神经网络预测模型，实现对具体建筑结构动力响应数据的单步及多步预测，并进行相关的模型参数讨论及结果分析。

4. 参考文献

[1] 周品．matlab神经网络设计与应用[m]．1版．北京：清华大学出版社，2013．

[2] 陈明．matlab神经网络原理与实例精解[m]． 1版．北京：清华大学出版社，2013．

[3] 格雷特．时间序列预测实践教程[m]． 1版．北京：清华大学出版社，2012．