摘要：针对再生混凝土抗压强度预测问题，提出了一种广义神经网络（grnn）的再生混凝土抗压强度预测模型。以实际数据作为训练样本，并与bp神经网络的预测结果进行对比分析。研究结果显示，grnn神经网络的预测精度更高，可以更有效地对混凝土强度进行预测。
　　关键词：再生混凝土 广义神经网络 bp神经网络 强度预测
　　abstract：presents a new method by introducing grnn. using the actual data as the forecasting analytic stylebook，and comparing the forecasting result to the bp neural network.the results of the study show that the grnn has greater accuracy than the bp neural network，which is more effective to forecast the strength of concrete
　　key words：recycled concrete grnn bp neural network forecasting prediction of strength
　　引言
　　再生混凝土是通过对废弃混凝土进行一系列的回收利用等过程而形成的新混凝土。再生混凝土技术可以实现废弃混凝土的有效回收利用，对于保护环境、节约资源、发展生态建筑具有重要的意义，通常被认为是发展绿色生态混凝土的主要措施之一。近些年来，众多学者对再生混凝土进行了一系列研究，取得了许多成果。对于普通混凝土而言，灰水比是进行混凝土强度预测的重要影响因素；但是对再生混凝土来说，其影响因素众多，这些因素与强度之间的关系非常复杂，采用传统的线性模型无法准确描述它们之间的关系。在实际应用中，确定再生混凝土的抗压强度较复杂，往往需要进行许多复杂的实验，从而测定其抗压强度。广义神经网络（gnn）在函数逼近能力和学习速度上有较强的优势，调整的参数较少，只有一个分布常数，可以更快的找到合适的预测网络。鉴于此，本文利用grnn对再生混凝土28d的抗压强度建立了预测模型，并利用此模型对不同配比条件下的再生混凝土的抗压强度进行了预测。
　　1、广义神经网络的基本原理
　　广义回归神经网络是径向基函数神经网络的一个分支，是一种基于非线性回归理论的前馈式神经网络模型。网络的第1层为径向基隐含层，神经元个数等于训练样本数，该层的权值函数为欧式距离函数（ 用表示），其作用为计算网络输入与第1层的权值■之间的距离，■为隐含层阈值。隐含层的传递函数为径向基函数，常用高斯函数 作为网络的传递函数，■称为光滑因子，■越大，则基函数越平滑。
　　网络的第2层为线性输出层，其权函数为规范化点积权函数，计算网络的向网络的第2层为线性输出层，其权函数为规范化点积权函数，计算网络的向量■，它的每个是由向量■和权值矩阵■中每行元素的点积再除以向量■的各元素之和得到的，提供给线性传递函数■，计算网络输出。
　　广义回归神经网络连接权值的学习修正使用bp算法，由于网络隐含层结点中的作用函数采用高斯函数，高斯函数作为一种局部分布对中心径向对称衰减的非负非线性函数，对输入将在局部产生响应，即当输入信号靠近基函数的中央范围时，隐含层结点将产生较大的输出，由此可以看出这种网络具有局部逼近能力，这也是该网络学习速度快的原因.此外，grnn中人为调节的参数少，只有一个阈值，网络的学习全部依赖数据样本，这个特点决定了网络能最大限度地避免人为主观假定对预测结果的影响。
　　2、基于grnn的再生混凝土抗压强度预测建模
　　2.1模型变量的选取
　　影响再生混凝土抗压强度的因素众多，本文参照文献[8]提取与再生混凝土强度相关的变量，把水泥、粉煤灰、水、砂、石、再生骨料、减水剂等7个参数作为输入变量，输出为抗压强度。
　　2.2 数据处理
　　本文以文献[8]中的24个数据作为数据样本。其中前9个数据作为测试数据，后15个数据作为训练数据，实验数据如表1所示。为了预测的准确性，对原始数据在[0，1]范围内进行归一化处理。
　　3、实例分析
　　为了验证本文所采用模型的正确性与可行性，本文列出了文献[8]中通过bp神经网络预测得到的测试数据。
　　再生混凝土28d的抗压强度、grnn预测得到的抗压强度及实际值的比较情况见图1。表2为两种模型的误差对比表。从图1和表2可以可能出grnn的预测精度高，与实测结果吻合较好。说明grnn在一定程度上其计算精度高与bp神经网络。可见基于grnn神经网络的再生混凝土的强度预测是可行的、有效的。