传统的钢框架连接不是刚接或理想铰接,而是半刚性连接。为了获取半刚性连接节点的真实性能,国内外学者针对半刚性连接展开了大量的研究。由于目前的研究方法主要从单一变量的角度对半刚性节点进行研究,而忽略了变量之间的相关性对于半刚性节点的影响,在采用理论解析计算节点初始转动刚度时仍存在较大的偏差。因此本文考虑应用神经网络良好的非线性映射能力以及对于样本数据的学习能力,以半刚性节点数据库为基础,从多变量的角度采用神经网络对半刚性端板连接节点的初始转动刚度进行预测研究。本文的具体研究内容如下:(1)通过对BP神经网络和RBF神经网络的研究,选用了具有最佳一致逼近性的RBF神经网络作为后续学习、预测的工具。提出了一种改进粒子群算法对RBF神经网络进行优化,与传统的遗传算法和粒子群算法相比刚度预测结果具有良好的精度,同时能够更好地表示节点之间刚度的变化趋势。(2)针对神经网络输入变量,通过已有的文献和试验研究初步确定了半刚性端板连接节点的柱、端板、螺栓和梁的几何尺寸作为主要的神经网络输入变量。提出了一种参数优化后的核主成分分析方法对变量进行处理,相比于传统的主成分分析方法能够有效地提升RBF神经网络的预测精度。(3)针对半刚性端板连接节点暂无统一的的分类标准,本文引入了聚类的思想对节点样本进行类别的划分。提出了一种基于改进粒子群算法的模糊c均值聚类,相比于传统的k均值聚类方法具有良好的稳定性。(4)通过对三组半刚性端板连接节点的讨论,应用神经网络优化算法、聚类分析方法以及核主成分分析方法对初始转动刚度进行预测研究,预测刚度和试验刚度吻合较好,从而验证了本文方法在半刚性节点初始转动刚度预测中的有效性和实用性。