用于土木工程CAD中的机器学习方法和软件的探索.

用于土木工程CAD中的机器学习方法和软件的探索

如果CAD系统具有智能，就可以提高设计的质量和效率，缩短设计周期，成为设计者的顾问和助手，但是，专家知识获取困难。解决知识获取的有效途径是建立学习系统。其次知识需要不断地积累。没有学习功能的智能系统，它只是建造时输人的知识，不会发展和创新，面对新情况，将会束手无策。因此，一个系统没有学习知识的能力，就不具备真正的智能。鉴于土木工程领域许多设计知识是从大毓的设计成果中总结出来的。笔者采用层次神经网络和多元逐步回归方法，建立学习系统，从大量的设计方案和各类数据中寻找规律。系统还利用“计算可视化”技术，提高机器学习的效率。

神经网络学习是按某算法规则训练样本，把输入向毅从一个空间映射到另一个空I’flJ，网络在学习过程中，通过自行调节和组织，求得一组稳定的分布的联结权位，建立起可学习、可预测、可联想的学习系统。由于学习结果存放在网络联结权中，土木工程研究方法论文故学习得到的知识是非显式的。它适合于求解一些无解析数学表达式的问题。上木工程中许多问题如实验数据，观测数据，设计数据的分析和处理属于这个领域。

系统采用Rumelhart等人]982年提出的误差反向传播BP算法，它是多层网络计算权的有效方法。BP学习是通过一个使代价函数最小化过程完成输人到输出的映射。它让输出值与期望输出进行比较，若有偏差，就反向传播，逐层修改权系数，直到输出满足误差精度为止。定义代价函数为所有输入模式仁输出层单元期望输出与实际输出的误差平方和。BP方法的缺点是:网络拓扑结构确定具有盲目性，收敛速度慢，容易陷入局部极小。系统采用三层前馈BP网络拓扑结构，‘白有输人层，隐蔽层，输出层。炼一层中有许多单元。输人单元对应实际问题的自变量，输出单元则相应于因变量。前馈BP网络单元间是前向连接的，由输人层经隐蔽层到输出层，标一层单元只影响后而一层单元。隐层的设置提高了网络的学习能力，理论证明只要隐层单元足够多，三层神经网络可以形成任意精度的任何连映射，使多层网络具有非线性映射能力。