人工神经网络的工作原理是将输入转化为所需输出,但通常情况下不能直观理解输入特征转化为输出值的详细机制. 因此,引入权重贡献率分析法来直观理解各输入特征与输出值之间的关系.
所谓权重贡献率分析法,就是通过对神经网络训练后所得到的权值矩阵进行分析,进而获得各输入特征对输出值预测过程中贡献率,判别各输入特征的重要程度.输入特征i的权重贡献率Wi计算公式[55]为
式中:wij为输入节点i与隐藏层节点j的连接权值;vj为隐藏层节点j与输出节点的连接权值.
将输出特征由抗压强度转变为不同尺寸试件的γ,图 11反映了重新建模后的神经网络的拟合情况,其中γP为尺寸效应度的预测值. 可以看出,新建立的模型具有很高的准确性. 根据神经网络训练后得到的权值矩阵,可计算获得各输入特征对输出值(尺寸效应度)的影响程度占比. 从图 12可以看出,试件截面尺寸和水灰比对γ的权重贡献率分别为23%和20%,是影响抗压强度比最主要的参数,试件形状的权重贡献率为6%,是对γ影响最小的参数.