本研究应用神经网络构建试验数据与结构特性之间的映射关系从而实现结构识别。由于有限的数据信息难以完全识别过于复杂的网络结构，所以为了得到神经网络更好的拟合能力，神经元和隐藏层数量并非越多越好。本研究的核心问题在于如何选择合适的神经网络架构。本研究的创新点在于提出贝叶斯框架与高效计算算法来设计神经网络架构。第一，将神经网络训练视为贝叶斯推断问题，将具有特定神经元个数和隐藏层层数的架构视作候选模型类，构建神经网络参数的后验概率密度函数。然后，基于一定的数据量，应用贝叶斯模型类选择准则计算不同候选架构的概率，最终选择具有最大模型证据值的架构作为最优架构。通过融合拉普拉斯渐近近似、神经网络解析特性和自动微分技术提出神经网络架构证据值高效算法，该算法规避了证据值计算中的高维积分问题，使得采用高维振型试验数据进行训练成为可能。本研究通过实验室结构与实际工程结构的验证发现：深层神经网络（具有更多隐藏层）比浅层网络具有更大的模型证据值。

贝叶斯方法；结构识别；模型类选择；模态分析