隨著社會經濟的發展,土木結構建設的趨勢是“高、大、長”,因而對結構安全性的要求也越來（lái）越高,建立大型結構的智能健康監測係統（tǒng）已成為土木工程學科發展的重要領域[1, 2]。 
　　一個完整的智能健康監測（cè）專家係統（tǒng）簡單來（lái）說可以分為三個部分[3],即信號采集、信號處（chù）理和損傷診斷（duàn）。其中損傷診斷是健康監測的核心問題,是對結構進行安全性評估和維護決策的基礎。目前損（sǔn）傷診斷方法有多種,而人工神經網絡(簡稱ANN)診斷技術在（zài）知（zhī）識（shí）獲取、並行推理、適應性學習（xí）、聯想推理、容錯能力等方麵具有較大的優越性。   
　　1. 神經網絡在損傷識別診斷中得應（yīng）用 
　　神經網絡（luò）技術之所以適合於結構損傷診斷,主要有（yǒu）三個原因[4],①訓練過的神經網（wǎng）絡（luò）能夠存儲有關過程的知識,根據對象的正常曆史（shǐ）數據訓練網（wǎng）絡,然後將此信息與當前測量數據進行比較,以確定損傷。②神經網絡（luò）具有濾出噪聲及（jí）在有噪聲情況（kuàng）下（xià）得出正確結論的能力（lì）。③神經網絡具有分辨損傷原因及損傷類型的（de）能力。 
　　損傷診斷可分為無模型識別法(Free-Model)和有模型識（shí）別法(Model-Based)兩大類[5]。 
　　無模型識別是指損傷識（shí）別過程中不需要建立結構的數學與力學模型,完（wán）全基於結構（gòu）現場實時（shí）檢測數據（jù）並考慮專家經驗建立結（jié）構狀態知識庫,然（rán）後采用人工神經（jīng）網絡診斷技術進行（háng）診（zhěn）斷。因為結構在不同狀態下其本身的某些往往會發生變化（huà）,這些變化包（bāo）含了結構損傷位置（zhì）和損傷（shāng）程度的信息,根據結構特性變化分析就可以反演結（jié）構是否存在損傷以及損壞位置和損傷程度。這是一個反分析過程,需要建立結構關鍵性能指標變化與結構狀態的（de）非線性關（guān）係。人工神經網（wǎng）絡通過對實測數（shù）據加（jiā）專家經驗建立的知（zhī）識信息進行學習,通過權值記下所學過的樣本知識並掌握輸入、輸出之間複雜的非線（xiàn）性關係。在診斷過程中,根據實測關鍵性能指標的變化與儲（chǔ）存（cún）在已建知識庫（kù）的各種狀態的損（sǔn）傷識別量進行模式匹配來進行結構的損傷檢測與診（zhěn）斷。建立在實測數據基礎上的專家數據知識庫,其知識信息具（jù）有真實性（xìng）、連續性（xìng）、準確性（xìng）,可以不斷更新。 
　　基於模型的損（sǔn）傷診斷技術是在結構健康診斷過程中（zhōng）,通過建立精細的能（néng）夠反映結構的真實形態的結（jié）構數學與力學模型,分析計算結（jié）構（gòu）在各種狀態下的參（cān）數指標,輔助實測數據以及考慮專家經驗建立結構狀態知識信息庫,利用人工神經（jīng）網絡（luò）的模式識（shí）別功能進行結構損傷狀態的診斷。所謂精細（xì）的模型是指理論分析的（de）數據（jù）應該和實測數據吻合得較好,兩者偏差（chà）要在允許範圍內,這與設計分析所需建（jiàn）立的計算模型相比要求更加嚴格,如果用於損傷識別的（de）模型存在較大的模型（xíng）誤差,會使（shǐ）計算的參數產生與損傷引起的參數改變（biàn）相當,甚（shèn）至更大的偏差（chà）,就可能使基於這些參數改變的損傷檢測方法識別結（jié）果（guǒ）較（jiào）差,甚至失效。 
　　通（tōng）常采用有限元法（fǎ）建立（lì）結構力學模型作為（wéi）損傷診（zhěn）斷的（de）基準參考。進行精細有效的有限元（yuán）動力分析,一種方（fāng）法是利用商（shāng）業化軟件如ANSYS、ABAQUS和ADINA等（děng）。但這些程序對於一些（xiē）結構有（yǒu）特殊要求的（de）分析就無能（néng）為（wéi）力（lì）,例如混（hún）凝土壩（bà）考慮（lǜ）動水壓力影響下的動力分析（xī）。這就（jiù）需要利用自編程序來進行分析,但是工作量（liàng）較大（dà）。但已有的有限元模型修正技術僅適用“小誤差模型”的（de）修正[6],而較大“誤差”的情況則屬於非適定的、非線性的問題。人工神經網絡強大（dà）的非線性映射（shè）功能就（jiù）非常適合解決結構模型修正中（zhōng）非線性（xìng）問題[7]。建立結構有限元力學模型,選擇（zé）不同的材料物理參數（shù）與邊界條件可（kě）以計算不同的結構響應,因此結構響應和結構設計變（biàn）量之間存在複雜（zá）的映射函數關係,這（zhè）種近似映射函數關係用常規方法（fǎ）來確定比較困難。在前蘇聯（lián）數學家Kolmogorov提出的任意連續函數表示（shì）定理（lǐ）基礎上,Robert HN提出了Kolmogorov多層神（shén）經網絡映射（shè）存在定理,從理論上論證了一個任意（yì）的連續函數都能與（yǔ）一個三層神經（jīng）網絡（luò）建（jiàn）立映射（shè）關係。這為人工神經網（wǎng）絡用於結構模型修正提供了理論（lùn）基礎[7]。 
　　2. 基於神經網絡損傷診斷的兩級識別（bié）策略 
　　采用人（rén）工神經網絡方法（fǎ）對（duì）結構損傷的（de）發生、定位和損傷類型與程（chéng）度進行研究,可（kě）以采用基（jī）於網絡判別指標過（guò）濾方法的兩級識別策略[8]。 
　　2.1 自（zì）適（shì）應神經（jīng）網絡方法檢測（cè）結構損傷 
　　自適應神經網絡方法(Auto-associate Neural Network)利用健康結構在正常情況（kuàng）下的序列測量數據作為訓練人工（gōng）神經網絡的輸入和輸出數（shù）據X,Y,依次構造一個自相關的神經網絡Net=T(X→Y)。訓練完成後,將輸入數據X再次輸入（rù）已訓練的神經網絡（luò）Net以便得到一（yī）組網絡輸出數據,比較測量數據Y和網絡輸出數據的差值向量,采用某種距離測度函數加以測（cè）量形成健康結構的判別指標。判別指標可以采用結構某個動力特（tè）性參數加以構造（zào）,也可將多個動力特性（xìng）參數同時考慮加以構造。具體結構中最終（zhōng）如（rú）何構造判別指標,需要根據結構特點進行判別（bié）指標對結構損傷的敏感度的分（fèn）析加（jiā）以確定。 
　　當同一個結構可能發生損傷（shāng）以後（hòu）的測量數據被作為輸入數據通過（guò）已經訓練的（de）神經網絡Net,由本次輸入數據和輸出數據可以計算得到的新（xīn）的判別指標,與健（jiàn）康結構的判別指標（biāo）相比較,就可以預告結構是否發生損傷。如果兩者差值(可以稱為損傷指標)較大,就認為結構已（yǐ）經（jīng）發生損傷。 
　　2.2 概率神經網絡方法檢測結構損傷的位置和類型 
　　結構損傷指（zhǐ）標的判定通常隻能檢（jiǎn）測損傷的（de）發生,難以確定損傷的位置和損傷的類型。概率神經網絡(Probabilistic Neural Network,簡稱PNN)可以（yǐ）用於判定損傷的位置和類型。 
　　PNN[9-11]是通過具有無（wú）參數估計量的已知數據集的（de）概率密度函數來實（shí）現貝葉斯決（jué）策,將其加在人工神（shén）經網絡框架中,接著進行（háng）判別未知數據最大可（kě）能屬於哪個已知數集,對於具有,,…,,…,的多類指標問題（tí）來說,基於p維試驗向量（liàng）X的貝葉斯決策d(X)為: (1) 
　　式中――分類指標的先驗概率 
　　 ――與錯誤分類的相關損失,在（zài）損傷檢測問題中兩者通常假定相等 
　　 ――概率（lǜ）密度函數 
　　采用多變量高斯(Gauss)分布函數: 
　　 (2) 
　　將該貝葉斯決策映射（shè）為一（yī）個人工（gōng）神經（jīng）網絡構成一個概率神經網絡,該網絡分為四層,即輸入層、模式層、求和層和決策層,如圖1所示。 
　　輸入向量X的每個（gè）元素作為輸入層的輸入參數。由權重向量（liàng）和向（xiàng）量X的點積構成（chéng）中（zhōng）間層的神經元,而（ér）相對於分類號q的決策（cè）層神經元輸出為（wéi）: 
　　(3) 
　　式中 ――高（gāo）斯核的標準差 
　　傳統（tǒng）PNN對所有（yǒu）高（gāo）斯核都采用統一的值。影響傳統PNN廣泛應用的最大障礙就是所有的參數具有同一個參數值（zhí）。對於自適應PNN,每一測量維（wéi）數具有不同的參數。 
　　假定具有不同損傷部位(即損傷模式（shì）)和不同剛度損傷程度(如0%,20%,75%和（hé）90%)的有限元分析得到的模態數據作為輸入數（shù）據輸入PNN進行訓練（liàn）,數據可以加入或者不加入環境“汙染”分量。損傷位置或類型假定有多種。如果結構（gòu）損傷標識量選用自振頻率變（biàn）化率（lǜ）,輸入向量X為P個自振頻率變化率,將帶有某（mǒu）種類型損傷(或混合模式損傷)的實測模態（tài）數據（jù）輸入訓練好的PNN,則得到決策層(輸出（chū）層)各（gè）個（gè）損傷形態在試驗向量點對應的概率密度函數PDF的估計值,具有最大PDF的損傷模式將給出損傷的位置或者類型（xíng）。 
　　這種損傷診斷方法最大優勢在於可以降低測量誤差對損傷識（shí）別（bié）結果的影響。因為損傷識別指標對模態參數變化率敏感,對於具有相同環境“汙染”程度的前後（hòu）兩次數據,其“汙染”造成的（de）誤差可以抵消,從而對損傷識別（bié）精度的影響較小。從本質上說,如果網絡訓練階（jiē）段並不需要數學模型分析而直接采用健康結果的實測數據,則（zé）神（shén）經網絡算法並不需要數學模型,這也（yě）是該算法的一個優（yōu）點。 
　　研究表明[12, 13],在損傷診（zhěn）斷過程中,模型誤差對損傷識別結（jié）果的影響要比測量誤差小,而且隨著損傷程度的增加而變化不大。用誤（wù）差≯10%的模型來訓（xùn）練人（rén）工神經網絡,是完全可以接受的。神經網絡對損傷的識別結果受測（cè）量（liàng）誤差影響較大,但隨損傷程度的增加而（ér）降（jiàng）低。改善測量誤差（chà）,降低其對識別結果的影響極其重要。 
　　3. 基於WPNN與數據融合的損傷檢測方法 
　　近年來。不斷發展起來的多傳感器數據融合(或稱信息融合)技術以其強大的時空覆蓋能力和對多源不確定性信息的綜合處理能力,可以（yǐ）有效進（jìn）行結構係統的（de）監測和診斷。雖然目前（qián）基於動力響應的各種智能損傷診（zhěn）斷（duàn）技術得到研究,但這些技術存（cún）在著識別精度不高或適用條件等缺（quē）陷。目（mù）前迅（xùn）速發展（zhǎn）的數據融合技術具有充分利用各個數（shù）據源包含的冗餘和互補信息的優點,可以提高係（xì）統決策的（de）準確性和魯棒（bàng）性。薑紹飛等[14]提出的基於小波概（gài）率神經網絡(wavelet probabilistic neural network WPNN)和數據融合的結構損傷（shāng）檢測方法將兩者有機結合,推動了神經（jīng）網絡技術在土木結構健康檢（jiǎn）測中應用的發展。 
　　3.1 數據融合 
　　數據融合是多（duō）源（yuán）信息（xī）綜合處理的一（yī）項新技術,是將來自某一目標(結（jié）構)的（de）多源信息加以智（zhì）能化合成,得到比單一傳（chuán）感（gǎn）器更精確、更完全的估計,其有點突（tū）出表現在信息的冗餘性、容錯性、互補性、實時性和低成本性。神經網絡是由大量單元組成（chéng）的非線性大規模自適應動力係統,具有學習、容錯、記（jì）憶、計算以及智能處理,二者在結構（gòu）上（shàng）存在著相似性,可以充分利用神經網絡的結構（gòu）優勢,考慮傳感（gǎn）器或者信息處理單元之間的互相（xiàng）影響、互相製約的關係,體現了信息融合係統是一個（gè）有機的整體,而不是多（duō）種信息的（de）羅列和簡單的代（dài）數（shù）加減關係。根據（jù）信息(數據)表征的級次（cì）,數據融合可以分為（wéi）數據級（jí）融合（hé）、特征級融合和決策級融（róng）合。 
　　3.2 小波變化（huà）及小波概率神經網絡 
　　設函數,如果滿足,則稱為（wéi）基本小波或母小波。將母小波函數伸縮和平移,得（dé）到的函數稱為小波函數,簡稱小波。 
　　設信號（hào）,則其小波變換定義為 
　　基於小波變化的神經網絡稱為小波（bō）神經網絡（luò）,它是小波分析與神經網絡的融合(結合)二者的結合有（yǒu）兩種途徑:其一,將（jiāng）小波分析作為（wéi）神經網絡的前置處理（lǐ）手段,為神經（jīng）網絡提供輸（shū）入特征向（xiàng）量,也稱鬆散型小波神經網絡、其二（èr）,將小波分析與神經網絡直接融合,即（jí）以小波函數和尺度函數來形成神經元,也稱緊湊（còu）型小波神經網絡。小波神經網絡繼承了小波分析與神（shén）經網絡的優點,通（tōng）過（guò）訓練自（zì）適應地調整小波基（jī）的形狀實現小波變換,具有良好的函數逼（bī）近能力和模式分類能（néng）力。 
　　3.3 基於WPNN與（yǔ）數據融合的損傷檢測方法 
　　為了充（chōng）分發揮數據融合與WPNN的優點,提出了基於WPNN與數（shù）據融合的損傷模型（xíng）(見圖2),它首先將來自傳感器1的結構（gòu）響應進（jìn）行數據預處理、特征提取,采用小波理論,獲得該傳感器的小波能量特征向量;依次類推,獲得其（qí）他傳感器的小波能量（liàng）特征向量;然後將這些（xiē）小波能量特征向量放入WPNN中,進行（háng）神經網絡訓練及融合計算;最後根據最大的概率密度函數值得到（dào）融（róng）合損傷識別結果及損傷類型。 
　　為了（le）驗證該方法的有效性,薑紹飛運用美國土木工程學會提出的（de）一（yī）個4層鋼（gāng）結構框架模型進行驗證[14]。通過驗證可見,基於WPNN與數據融合的損傷檢測方法的識（shí）別效果比（bǐ）用單傳感器進行損傷識別分類（lèi）的效果（guǒ）好,它對損傷最敏（mǐn）感,受噪聲的（de）幹擾影響最小（xiǎo）;另（lìng）一方麵（miàn）也說（shuō）明,數據融合能夠使不同傳感器的信息相（xiàng）互補充,從而（ér）減小了損傷檢測數據(信息)的不確（què）定性,使結（jié）構的信息具（jù）有更高的精度和（hé）可（kě）靠性,進（jìn）而能夠獲得更準（zhǔn）確的損（sǔn）傷識別結果及最優的結構狀態估計。 
　　4. 用於損傷診斷的神經（jīng）網絡輸（shū）入（rù）參數選擇 
　　采用什麽參數作為（wéi）神經網絡的輸入向量是利用人工神經網絡進行結構損傷診斷中需要考慮的極其關鍵的一個問題。神經網絡輸入參數的選擇及其表達形式直（zhí）接影（yǐng）響（xiǎng）損傷診斷（duàn）的（de）結果。采（cǎi）用結（jié）構動力參數作為結構損傷識別的方法現在得到大量的應用。其原（yuán）因一方麵是結構（gòu）動力（lì）參數是結（jié）構本身固有特性,受外界環境幹擾（rǎo）較小。另一方麵結構自振頻率和振動模態等動力參數比較容易從少量的動態（tài）測量中得到,而且測量方法比較簡單。基於結構動（dòng）力特性的損傷診斷方法,其基本思想是（shì）結構的物理參數如（rú）剛度、質量和（hé）阻（zǔ）尼比等在結構不同狀（zhuàng）態中的變化會改變結構動力特（tè）性――固有頻率（lǜ）和模態。因此（cǐ）可以根據結構的固有頻率、模態振型（xíng）或者（zhě）兩者一起考慮等方（fāng）法進行檢測,另外還可以利用這些模態參數計算模態曲率、應變模態、結構柔度、模態阻尼比等力（lì）學指標,然後采用神經網絡算（suàn）法等對結構的（de）損傷發生、損傷定位、損傷程度進行檢測。對於簡（jiǎn）單的構（gòu）件來說,采用結構固有振（zhèn）動（dòng）頻率作為網絡（luò）輸入參數就可以（yǐ）得到良好的診斷結果[15-17]。固有頻率可以（yǐ）在結構（gòu）的一個點上測到,並且與測點位置相（xiàng）對獨立（lì）,是（shì）一個能反（fǎn）映結構整體的動力特性。但對於一般結構,固有頻率包含的結構損傷信息還不足以進行識別與（yǔ）定位,例如對稱結構,兩個（gè）對（duì）稱位（wèi）置（zhì）的損傷所引起的（de）固有頻率變化是完全相同的。因此有人建議采（cǎi）用固有頻率和關鍵點的振型模態作為組合（hé）參數進行神經網絡（luò）損傷診斷比（bǐ）較實用[18, 19],這可以解（jiě）決對（duì）稱結構和測量模態數（shù）據不完備問題。 
　　對於結構（gòu）損傷診斷（duàn）來說（shuō）,固有頻率和振動模態是（shì）檢測的全局量,可以用來（lái）對結構整體狀態進行（háng）描述。但對於複雜結構,像大跨徑（jìng）橋梁,其贅餘度大,造成結構局（jú）部損傷對整體性能反映影響（xiǎng）不大,也就是說（shuō）全（quán）局參數指標對局部損傷不敏感。例如結構（gòu）局部損傷導致的固有頻率變化（huà）很小（xiǎo）,估（gū）計（jì）<5%,而Askegaurd等人在對（duì）橋梁長期觀（guān）測後發現,在1a(年)內大橋即使無任何明顯的變化,其自振頻率的變化（huà）也可以達（dá）到10%[20]。有的研究表明,頻率模態對（duì）局部損傷的位置和程度都不敏感。不同位置、不同程度的損傷可能導致結構模態頻率相同的變化[21]。 
　　采（cǎi）用全局量可（kě）以判（pàn）斷結構是否損傷,而用於（yú）結構損傷定位的物理參數需要選擇局域量,且需滿足四個基本條件[22],①對局部（bù）損傷敏感,且為結構損傷的單調函數。②具（jù）有明確（què）的位置坐標。③在損傷位（wèi）置,損傷標（biāo）識量（liàng）應（yīng）出現明顯的峰值變化。④在非損傷位（wèi）置,損傷（shāng）標識量或者不發生變化,或者變化幅度小於預定的閾值。 
　　陸秋海[23]比較了六種不同輸（shū）入參數對於（yú）結構損傷的敏感程度。得到的結論是,六種輸入參數對結構損傷的敏（mǐn）感程度從（cóng）低到高依次為:位移模態指標、固有振動頻率指標、位移頻響（xiǎng）函數（shù）指標、曲率（lǜ）、應變模態指標以及應變頻響函數指標。相比較來看,應（yīng）變模態指標（biāo）是較好的結構動力損傷診斷的損傷識別標識量,而且有對結構局部損傷敏感的優點,可以用作（zuò）大型土（tǔ）木結構局部損傷定位的人工神（shén）經網絡診斷輸入參（cān）數。 
　　5. 用於損傷診斷的神經網絡選擇 
　　人工神經網絡是在人類對其大腦神經網絡認識理（lǐ）解的（de）基礎上人工構造的能實現某種功能的神經網絡。它是理論化的人腦神（shén）經（jīng）網絡的數學模型,是基於模仿大腦神經網絡結構和功能而建（jiàn）立的一種信息處理係統。 
　　人工神經（jīng）網（wǎng）絡發展幾十年來（lái）,形（xíng）成了數十種網絡,包（bāo）括多層感知器,BP網絡（luò）、Hopfield網絡、RBF網絡（luò）、自適（shì）應共（gòng）振（zhèn）理論和概（gài）率神經網絡等等。這些網絡由於結構不（bú）同,應用範圍業有所不同,但這些神經網絡模型原則上講都可用來進行結構損傷診斷,隻是（shì）存在簡單與複雜、穩（wěn）定與不穩定、診斷（duàn）效（xiào）果高低與診斷結果好壞的差別。前麵介紹的大型結構（gòu）基於神（shén）經網絡的（de）兩級（jí）損傷（shāng）識別策略是采用以自適應共振理論（lùn）為基礎的自組織神經網絡和概率神經網絡。 
　　建立（lì）大型土木結構的智能健康監測（cè）專家（jiā）係統,首（shǒu）先要建立損傷診斷的子係統。采用人（rén）工神經網絡進行記誒構損傷診斷,首先要根據各（gè）種神經網絡的特點和適用範圍,選擇解決自己問題的合適（shì）模型,然後采用某種程（chéng）序語言進行編製。若采用商業化軟（ruǎn）件建立損傷（shāng）診斷子係（xì）統,則不能很好地與信號采集係統及專家知識庫進行有效鏈接（jiē）,從而妨礙實（shí）施在線檢測與連續診斷。Matla現（xiàn）已成（chéng）為國際上公（gōng）認（rèn）的最優秀的數值計算和仿（fǎng）真軟（ruǎn）件,其強大的擴展功能為各個領（lǐng）域的應用提供了基（jī）礎（chǔ）,由各個領域的（de）專家在Matlab平台（tái）上推出了（le）30多個應用的工具箱。神（shén）經網絡工具箱是Matlab環境下所開發的許多工具箱之一,它是以人工神經網（wǎng）絡理論為基礎,用Matlab語言構造（zào）出各種（zhǒng）神經網絡算法。因此建立人工神經網絡進行損傷診斷時,利用Matlab語言可以減少工作量,提高效（xiào）率。  
　　參考文獻: 
　　 [1] 李宏男,李東升. 土木工程結構安全性評估、健康監測及診斷述評[J]. 地（dì）震工程與工（gōng）程振動. 2002(3): 82. 
　　 [2] 謝強,薛鬆濤. 土木工程結（jié）構健康監測的研究狀況與進展[R]. , 2001. 
　　 [3] 周智,歐進萍. 土木工程智能健康監測與診斷係統（tǒng）[J]. 傳感器技術（shù）. 2001, 20(11): 1-4. 
　　 [4] 薑紹飛（fēi）,周廣師,劉紅兢,劉明. 考慮不確定性因素的結構損傷（shāng）檢測（cè）方法[J]. 沈陽（yáng）建築（zhù）工程學院學報(自然科（kē）學（xué）版). 2002(2): 85-87. 
　　 [5] 陳長征,羅躍剛等. 結（jié）構損傷檢測與（yǔ）智能診斷[M]. 北京: 科學（xué）出（chū）版社, 2001. 
　　 [6] 張德文,魏阜（fù）旋. 模型修正與破（pò）損診斷[M]. 北京: 科學出版社, 1999. 
　　 [7] 段雪平, 朱宏平, 熊世（shì）樹. 神經網絡在建築物有限（xiàn）元模型修正中的應用[J]. 噪聲與振動控製. 2000(2): 11. 
　　 [8] 薑紹飛. 基於（yú）神經網絡的結構優化與損傷識別[M]. 北京: 科學（xué）出版社, 2002. 
　　 [9] 王柏生,倪一清（qīng）,高讚明. 用（yòng）概率神經網絡進行解雇損傷位置識別[J]. 振動工程學報. 2001, 14(1): 60-64. 
　　[10] 薑紹飛,倪一清,高讚明. 基於概率神經網絡的青馬懸索橋定位（wèi）的仿真研究[J]. 工程力學（xué）. 2001: 965-969. 
　　[11] 杜德潤. 地震作用（yòng）下大體積混凝土結構損傷識別研究[D]. 南京: 東南大學, 2002. 
　　[12] 王柏生,丁皓江,倪一清,高讚明. 模（mó）型參數誤差對用神經網絡進行結構損傷識別的影（yǐng）響[J]. 土木工程（chéng）學報. 2000(1): 50-55. 
　　[13] Wang Bai-sheng,ni Yi-qing K J. Influence of measurement errors on structural damage identification using artificial neural networks[J]. Journal of Zhenjiang University. 2000, 1(3): 191-299. 
　　[14] 薑紹（shào）飛（fēi）,付春,陳仲（zhòng）堂, 盛岩. 基於WPNN與數據融合的損傷檢測方法[J]. 沈陽建築大學學（xué）報(自然科學版). 2005(2). 
　　[15] 陳建林,郭（guō）杏林. 基於神經網絡的簡支梁損傷檢測研究[J]. 煙（yān）台大學學報(自然（rán）科學與工程版). 2001(3). 
　　[16] 羅躍綱, 陳（chén）長征（zhēng）, 王占國. 鋼（gāng）梁（liáng）損傷的神經網絡診斷分析[J]. 工業建築. 2002(1). 
　　[17] 羅躍綱, 劉紅兢, 王政奎. 鋼板結構損傷（shāng）對其動力特（tè）性的影響研究[J]. 沈陽（yáng）工業大學學報. 2002(3). 
　　[18] 郭國會,易偉建. 基於神經網絡（luò）的框架結（jié）構破損評估[J]. 重慶建築大學學（xué）報. 1999, 21(3): 106-121. 
　　[19] 王柏生,倪一清,高讚明（míng）. 框架（jià）結構連接損傷識別神經網絡輸入參數的確定[J]. 振（zhèn）動工程學報. 2000, 13(1): 137-142. 
　　[20] 雷俊卿,錢冬（dōng）生. 長大跨橋實時（shí）監測預警係統研究（jiū）[J]. 公路（lù）. 2002(2): 1-4. 
　　[21] 瞿偉廉,陳（chén）偉. 多層及高層框架結（jié）構地震損傷診（zhěn）斷的神經網絡方法[J]. 地震工程與工程振（zhèn）動. 2002, 22(1): 43-48. 
　　[22] 董聰,範立礎,陳肇元. 結構智能健康診斷（duàn）的理論與方法[J]. 中國鐵道科學. 2002, 23(1): 11-24. 
　　[23] 陸秋海. 基於（yú）應變模態理論的結（jié）構修改和損傷（shāng）神經網（wǎng）絡辨識法研究[D]. 北京: 清華大學, 1997.