身份证：230 521 1988 0903 xxxx
【摘 要】径向基网络在很多领域中都有着十分重要的应用，例如函数、和神经系统等等，这一网络有着十分重要的意义。本文主要探讨的是径向基网络在建筑结构设计与分析中的应用，希望能够给相关的人员提供一定的经验和借鉴。
【关键词】径向基网络；结构设计；应用
当前，我国的人工神经网络是结构设计的一种重要的方法，其中采用最多的是正向多层网络和BP算法，这些方法在学习和教学的过程中有着很普遍的应用，这样就可以很好的获得目标函数的计算值，本文主要采用的是径向基网络建模的方式来构建模型，这样就可以很好的对多为输入和输出环节进行有效的对比，以此来证明此网络在实际应用中的效果。
1、径向基网络模型的基本结构和原理
径向基神经网络是按照人脑皮层中的局部调节和交叠的感受区域而提出的一种网络模型，通常，这种网络又被人们叫做局部感受区域神经网络，它事故对神经网络系统的一种简化和概括，这种结构学习速度很快，模型结构的复杂度也比较小，能够很好的反应出函数的性质，所以在系统识别等方面都有着十分重要的应用，通常情况下径向基网络由三个层次组成，输入层节点的任务只是传输信号，所有的隐层节点都是可以用函数来表示的，而输出节点用简单的线性函数就完全可以表示，，隐性节点中的作用函数也对函数的一段产生影响，也就是当节点更加接近中央位置的时候，隐层节点的输出值会比较大。
径向基神经网络中的隐层节点的表示函数就是基函数，在这一函数中，最为常见的就是高斯函数，其有着很多的优点首先是该函数在表达方式上十分的简单，在多变量输入中也不是非常的复杂。其次这种函数存在着径向对称的关系。再次是该函数有着很强的光滑性，任意阶的导数都是存在的。最后是这种函数的基函数表达式没有很强的复杂性，同时用这种方式进行解析还能够取得非常好的效果。
具体来讲，径向基神经网络是通过人脑神经中的局部调节和感受神经网络而产生的，通常被称之为局部感受域神经网络。这种神经网络结构非常简便、学习能力较强、有着焊好的函数逼近能力，在模式识别和系统辨识中得到了广泛的应用。而径向基神经网络具体由三部分所组成，如图1所示，隐层节点与输出节点都是由作用函数所构成，隐层部分通过接收到的输入信号，会与隐层节点之间发生响应，那么，当输入信号与作用函数越来越逼近时，隐层节点的输出值就会随之增大。
另外，高斯函数是径向基神经网络中常用的作用函数，其具备以下几点优点：（1）表现手法简单，对于多变量的输入也不会存在复杂性。（2）径向值始终保持一致。（3）这种作用函数具备最大的特点是解桁性好，能够用于理论的探讨分桁中。
2、径向基网络在设计设计中的建模实例分析
在建筑设计领域，桁架设计问题都是人们比较关注的问题，如果采用以前的建模方法，是不能很好的保证桁架内在的特性能够被准确的表现出来，所以本文选择两种桁架作为研究对象，一种是三杆桁架，一种是十杆桁架，桁架连接点的连接方式是铰接。
2.1训练样本的选取和预处理
为了保证网络能够更加准确的对输入的数据和目标输出函数的关系进行归纳和总结，需要对网络的相关参数进行有效的选择，这样使得整个函数的覆盖训练域能够更好的效果，如果一个网络训练非常成功，它就可以对任何一个在训练域中并没有见过的数据进行积极的回馈，所以在这一过程中选择足够数量的样本也是最为重要的一个环节。
本文借鉴超立方体的样本选取方法，即选取每个输入参数的极大值、极小值和中间值作为样本点，样本总数为3N个卿为输入参数个数)。根据三杆桁架和十杆桁架的参数个数，分别选取训练样本27组、81组，并相应地选取检验样本10组、15组用来检验网络的泛化能力。
神经网络能够很好的对不同来源的数据进行有效的处理，但是它对于数据的格式是有着一定要求的，数据的格式不同，网络学习的效果也就不同，所以在训练之前一定要做好预处理工作，在神经网络的建设中，泛化能力是一个十分重要的指标，为了能够使得整个网络拥有较为强大的泛化能力，同时还可以删除一些不需要的数据，一个重要的内容就是降低样本的数量，这样也能够起到很好的简化网络的作用，另一方面还要将数据进行相应的标准化处理，使其能够完全符合模型的要求。
2.2径向基网络模型的建立
径向基网络系统是一种比较新颖的神经网络系统，这个系统的有着很好的全局性和相近性，在这样的情况下，相关的人员使用相应的神经网络工具箱，针对桁架静不定的问题进行建模，在建模的过程中将三杆桁架的最的位移和十杆桁架的最大轴力作为输出的变量，建立起一个多中输入方式和一种输出方式的映射关系。
网络参数设置，目标误差设置为10-9；对于三杆桁架，最大神经元数设置为27，对于十杆桁架，最大神经元数设置为81。然后对建立的网络模型进行训练，不断调整扩展常数的大小，从而获得最优的网络效果。
2.3训练结果及与BP网络结果的比较
经训练后，对十三杆桁架，当扩展常数为17.5.隐层节点数为22时一，网络对桁架最大位移的学习效果最佳，训练样本最大相对误差4.3X10-9，而作为检验网络泛化能力的检验样本的最大相对误差仅为0.76%里程误差要求5%以内)，如图2所示，泛化能力很好。而对十有相同输入输出的BP网络模型，有6个隐层节点的BP网络经过2000次训练后，网络误差为4.68X106%，训练样本的最大相对误差为0.122%，检验样本的最大相对误差为2.1%，泛化能力较好。
对于十杆桁架，当扩展常数为3.3.隐层节点数为56时，网络对桁架最大轴力的学习效果最佳，训练样本的最大相对误差为5.3X10-3，检验样本的最大相对误差不超过2.04%，如图3所示泛化能力较好。而在相同条件下，有6个隐层节点的BP网络经过1000次训练后，网络误差为2.03X10-3，训练样本的最大相对误差为0.145%，检验样本的最大相对误差达到3.7%，泛化能力一般。
通过实例分析可以得出：利用神经网络对桁架结构进行建模，得到的神经网络模型真实地反映了桁架结构的内在特性。与径向网络模型相比，神经网络模型不仅拟合精度较高，学习速度快，同时映射能力也较好，适用于对复杂非线性结构的建模问题。把神经网络应用于结构优化设计当中，可以有效地解决传统数学模型存在的问题，并且对于复杂非线性问题能够进行更准确的描述和求解，使神经网络成为一种解决复杂工程问题的有力工具。因此，径向基神经网络在结构建模和结构分析中具有较好的应用前景。
3、结语
在很多领域中，径向基网络都能够起到非常好的积极作用，其利用了数学函数的方式，对事物能够有一个十分准确的分析过程，同时，它还有着很多其他，模型不具备的优势，这些优势对问题的分析有着很大的益处，所以这种网络也被很多人关注和青睐，但是需要注意的是，一定要在应用中对其结构进行合理的设计，只有这样，才能更好的保证其积极作用能够得以充分的发挥。
参考文献：
[1]马士法.多层住宅结构设计探讨[J].工程建设与设计.2002(02).
[2]吉翔.水电站GIS楼结构设计的一些心得[J].水电站设计.2004(03).
论文作者:李琦
论文发表刊物:《低碳地产》2016年6月第11期
论文发表时间:2016/11/16
标签：神经网络论文; 桁架论文; 函数论文; 网络论文; 节点论文; 样本论文; 误差论文; 《低碳地产》2016年6月第11期论文;