期刊信息
主管单位：中华人民共和国教育部
主办单位：重庆大学
主 编：王时龙
地 址：重庆市沙坪坝正街174号
邮政编码：400030
电 话：
电子邮件：xbsg@cqu.edu.cn
国际标准刊号：ISSN 1000-582X
国内统一刊号：CN 50-1044/N
邮发代号：国内78-16 国外 M355
|
| 基于卷积神经网络的高层建筑智能控制算法研究 |
| 投稿时间：2021-01-08 修订日期：2024-04-28 |
| 关键词:深度学习 一维卷积神经网络 智能控制 数据特征可视化 泛化性能 |
| 基金项目:国家自然科学基金资助项目（51978550）；国家重点研发计划（2018YFC0705601）；中央高校基本科研业务费专项资金资助项目(2019-YB-024) |
|
| 摘要点击次数: 669 |
| 全文下载次数: 0 |
| 摘要: |
| 浅层学习神经网络在对高维数据进行预测时，会出现预测精度低，泛化能力差等问题。为此，在一维卷积神经网络（One-Dimensional Convolutional Neural Networks，1D-CNN）和Deep Dream视觉算法的基础上，提出一种基于CNN深度学习网络的高层建筑智能控制算法，并完成高精度网络模型训练和1D-CNN数据特征可视化；以20层benchmark模型为对象，研究了不同工况下1D-CNN深度学习智能控制算法的减震效果，并与BP（Back Propagation，BP）和RBF（Radial Basis Function，RBF）等浅层学习进行对比。结果表明：1D-CNN凭借一维卷积和池化特性，可自动提取数据深层次特征并对海量数据进行降维处理；在外界激励作用下，1D-CNN控制器加速度和位移最高减震率分别为69.0%和55.6%，控制性能远高于BP和RBF；改变激励作用后，三种控制器控制性能均有所降低，但1D-CNN性能降幅最小且减震率最高，说明1D-CNN具备更好的泛化性能。 |
|
| 查看/发表评论 下载PDF阅读器 |
|
|
|
|
|
Copyright@ 2008 All Rights Reserved.
