文献类型：期刊文章

作　　者：涂建维[1] 高经纬[1] 李召[1] 张家瑞[1]

TU Jianwei;GAO Jingwei;LI Zhao;ZHANG Jiarui(Hubei Key Laboratory of Roadway Bridge and Structure Engineering,Wuhan University of Technology,Wuhan 430070,China)

机构地区：[1]武汉理工大学道路桥梁与结构工程湖北省重点实验室

出　　处：《华中科技大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(51978550);湖北省自然科学基金资助项目(2016CFA020);中央高校基本科研业务费专项资金资助项目(2019-YB-024)

年　　份：2019

卷　　号：47

期　　号：12

起止页码：110-115

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为提高建筑结构智能控制的控制精度及稳定性,在长短时记忆(LSTM)网络理论基础上,提出一种基于深度学习的智能控制算法.通过构建深度学习框架,设计LSTM智能控制器,并将其性能测试结果与反向传播(BP)和径向基函数(RBF)神经网络控制器进行对比.以Benchmark模型为对象,分析了不同外部激励工况下LSTM智能控制器的泛化能力,并提出了基于结构响应的H2范数评价指标.结果表明:BP和RBF神经网络框架的预测结果相比LSTM框架可能发生局部最优现象,且收敛精度较低;原输入工况下,LSTM控制器的误差为3.30X104,控制效果最高达65.0%;变激励工况下,LSTM控制器的响应峰值及H2范数评价指标均优于BP和RBF神经网络控制器,说明LSTM智能控制器具有良好的控制和泛化性能.

关 键 词：深度学习  长短时记忆网络  智能控制 时间序列预测 泛化能力

分 类 号：TU311.4]