本文讨论神经网络的能力问题及其在系统识别中的一些逼近问题。文中证明了:(1)函数g∈L_(Loc)~P(R^1)∩S′(R′)为—L^P-Tauber-Wiener函数的充要条件为g不是一个多项式;(2)当g∈(L^PTW)时,sum from i=1 to N c_ig(y_i·x+θ_i)全体...本文讨论神经网络的能力问题及其在系统识别中的一些逼近问题。文中证明了:(1)函数g∈L_(Loc)~P(R^1)∩S′(R′)为—L^P-Tauber-Wiener函数的充要条件为g不是一个多项式;(2)当g∈(L^PTW)时,sum from i=1 to N c_ig(y_i·x+θ_i)全体在L^P(K)中稠密;(3)证明了用一元函数的复合可以逼近定义在L^P(K)上的连续(线性或非线性)泛函及L^(P1)(K_1)到L^P2(K_2)中的连续(线性或非张性)算子。上述结果表明任一非多项式的L_(Loc)~P∩S′(R′)中的函数可以作为神经网络隐层中的非线性元,以及神经网络算法可以以任意精度识别一个系统。展开更多
介绍了两种新的人造地震动的加速度反应谱拟合方法:其一是时域叠加法.该方法通过在时程上叠加一谐波时程来调整某一反应谱控制点的值.其特点是交叉干扰小,计算量小且能兼顾强度包线的要求:其二是反应谱整体逼近法.其特点是在调整某一由...介绍了两种新的人造地震动的加速度反应谱拟合方法:其一是时域叠加法.该方法通过在时程上叠加一谐波时程来调整某一反应谱控制点的值.其特点是交叉干扰小,计算量小且能兼顾强度包线的要求:其二是反应谱整体逼近法.其特点是在调整某一由幅值谱AR及其相位谱ψk（k=0,1,2,…,n）决定的时程Ra（t）时,用反应谱与目标谱在各个控制点上相对误差Ej（j=1,2,3,…,M）的均方根值Vr=（sum form j=1 to m(Ej2/M）l2是否减小来判定任一幅值谱Ak调整的方向.本文指出,由于Ej及Vr均是Ak及ψk的函数,所以,合成加速度时程中的反应谱拟合问题可变成寻找V1极小点的数学问题.时域叠加法受最高截止频率的限制,不适用于反应谱高频部分的拟合.反应谱整体逼近法受FFT算法频率分布特征的限制,使反应谱低频部分的控制点密度不能太大.大量的试算结果表明,以上两种方法相互补充,可取得良好的拟合效果.文中还指出,由于有了较好的反应谱拟合方法,可在反应谱拟合的同时,对加速度时程的峰值加速度及峰值速度进行拟合.展开更多
文摘本文讨论神经网络的能力问题及其在系统识别中的一些逼近问题。文中证明了:(1)函数g∈L_(Loc)~P(R^1)∩S′(R′)为—L^P-Tauber-Wiener函数的充要条件为g不是一个多项式;(2)当g∈(L^PTW)时,sum from i=1 to N c_ig(y_i·x+θ_i)全体在L^P(K)中稠密;(3)证明了用一元函数的复合可以逼近定义在L^P(K)上的连续(线性或非线性)泛函及L^(P1)(K_1)到L^P2(K_2)中的连续(线性或非张性)算子。上述结果表明任一非多项式的L_(Loc)~P∩S′(R′)中的函数可以作为神经网络隐层中的非线性元,以及神经网络算法可以以任意精度识别一个系统。
文摘介绍了两种新的人造地震动的加速度反应谱拟合方法:其一是时域叠加法.该方法通过在时程上叠加一谐波时程来调整某一反应谱控制点的值.其特点是交叉干扰小,计算量小且能兼顾强度包线的要求:其二是反应谱整体逼近法.其特点是在调整某一由幅值谱AR及其相位谱ψk（k=0,1,2,…,n）决定的时程Ra（t）时,用反应谱与目标谱在各个控制点上相对误差Ej（j=1,2,3,…,M）的均方根值Vr=（sum form j=1 to m(Ej2/M）l2是否减小来判定任一幅值谱Ak调整的方向.本文指出,由于Ej及Vr均是Ak及ψk的函数,所以,合成加速度时程中的反应谱拟合问题可变成寻找V1极小点的数学问题.时域叠加法受最高截止频率的限制,不适用于反应谱高频部分的拟合.反应谱整体逼近法受FFT算法频率分布特征的限制,使反应谱低频部分的控制点密度不能太大.大量的试算结果表明,以上两种方法相互补充,可取得良好的拟合效果.文中还指出,由于有了较好的反应谱拟合方法,可在反应谱拟合的同时,对加速度时程的峰值加速度及峰值速度进行拟合.
