改進(jìn)bp神經(jīng)網(wǎng)絡(luò)模型在某重力壩變形監(jiān)測中的應(yīng)用

《改進(jìn)bp神經(jīng)網(wǎng)絡(luò)模型在某重力壩變形監(jiān)測中的應(yīng)用》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、膅膆蒞螅肁膅蕆羈羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肅膁蚆袀罿膀莆蚃裊艿蒈衿膄羋薀蟻肀芇螃袇肆芇蒂螀羂芆薅羅袈芅蚇螈膇芄莇羃肅芃葿螆罿莂薁羂裊莁蚄螄膃莁莃薇腿莀薆袃肅荿蚈蚆羈莈莈袁袇莇蒀蚄膆莆薂衿肂蒆蚄螞羈蒅莄袈襖蒄蒆蝕節(jié)蒃蠆羆膈蒂螁蝿肄蒁蒁羄羀肈薃螇袆?wù)赝L羃膅膆蒞螅肁膅蕆羈羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肅膁蚆袀罿膀莆蚃裊艿蒈衿膄羋薀蟻肀芇螃袇肆芇蒂螀羂芆薅羅袈芅蚇螈膇芄莇羃肅芃葿螆罿莂薁羂裊莁蚄螄膃莁莃薇腿莀薆袃肅荿蚈蚆羈莈莈袁袇莇蒀蚄膆莆薂衿肂蒆蚄螞羈蒅莄袈襖蒄蒆蝕節(jié)蒃蠆羆膈蒂螁蝿肄蒁蒁羄羀肈薃螇袆?wù)?/p>

2、蚅羃膅膆蒞螅肁膅蕆羈羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肅膁蚆袀罿膀莆蚃裊艿蒈衿膄羋薀蟻肀芇螃袇肆芇蒂螀羂芆薅羅袈芅蚇螈膇芄莇羃肅芃葿螆罿莂薁羂裊莁蚄螄膃莁莃薇腿莀薆袃肅荿蚈蚆羈莈莈袁袇莇蒀蚄膆莆薂衿肂蒆蚄螞羈蒅莄袈襖蒄蒆蝕節(jié)蒃蠆羆膈蒂螁蝿肄蒁蒁羄羀肈薃螇袆?wù)赝L羃膅膆蒞螅肁膅蕆羈羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肅膁蚆袀罿膀莆蚃裊艿蒈改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在某重力壩變形監(jiān)測中的應(yīng)用周光文1,2.董建良2.陳亮亮2.(1．中國礦業(yè)大學(xué)北京校區(qū)，北京，100083；2．南昌大學(xué)建工學(xué)院，江西南昌，330029．）摘

3、　要：針對傳統(tǒng)的數(shù)學(xué)模型方法的不足，本文通過對BP網(wǎng)絡(luò)模型的研究，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，并使用MATLAB語言編程加以實現(xiàn)。將模型應(yīng)用于某重力壩實測變形監(jiān)測數(shù)據(jù)的分析和預(yù)測，發(fā)現(xiàn)其預(yù)報精度較以往統(tǒng)計模型有較大提高。關(guān)鍵詞：BP模型；變形監(jiān)測；1引言建立有效實用的大壩原型觀測模型，正確地模擬和預(yù)測大壩安全監(jiān)測量，對饋控大壩的安全運(yùn)行和輔助決策具有十分重要的意義。目前國內(nèi)外大壩安全監(jiān)測中主要采用數(shù)學(xué)模型(統(tǒng)計模型、確定性模型和混合模型)來進(jìn)行模擬分析和預(yù)測預(yù)報。數(shù)學(xué)模型屬于顯示函數(shù)形式，能夠進(jìn)行預(yù)測分析

4、，并能對模型中的各分量進(jìn)行物理解釋，是大壩原型監(jiān)測資料分析領(lǐng)域最成熟的方法，但是，數(shù)學(xué)模型在一定程度上統(tǒng)計特性，建立在觀測誤差的數(shù)學(xué)期望全為零、各次觀測互相獨(dú)立以及觀測誤差呈正態(tài)的假定前提下，因此其模型精度在很大程度上取決于建模因子的選擇是否恰當(dāng)，這樣就造成在進(jìn)行預(yù)測分析時，有時會出現(xiàn)預(yù)測效果不好，偏離發(fā)展趨勢等問題。人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork縮寫為ANN)是由大量簡單的處理單元廣泛地相互連接而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，具有高度的并行處理，聯(lián)想記憶，良好的自適應(yīng)和自組織能力，它

5、無需人們預(yù)先確定系統(tǒng)的模型，而是以實驗或?qū)崪y數(shù)據(jù)為基礎(chǔ)，經(jīng)過有限次的迭代計算，根據(jù)系統(tǒng)輸入和輸出找到它們之間的非線性關(guān)系，從而獲得一個反映實驗或?qū)崪y數(shù)據(jù)在內(nèi)規(guī)律的數(shù)學(xué)模型，因此，運(yùn)用ANN能很好實現(xiàn)大壩安全監(jiān)測的建模和預(yù)報功能。2BP神經(jīng)網(wǎng)絡(luò)模型原理BP神經(jīng)網(wǎng)絡(luò)按拓?fù)浣Y(jié)構(gòu)分，屬前向網(wǎng)絡(luò)，但它采用的是反向傳播的學(xué)習(xí)方法，故又稱為反向傳播神經(jīng)網(wǎng)絡(luò)(Back-PropagationNeuralNetwork)，簡稱為BP網(wǎng)絡(luò)。BP模型是一種多層感知器結(jié)構(gòu)，由若干層神經(jīng)元組成，除輸入層和輸出層外，包括一個或多個

6、中間隱含層。一個具有3個輸入和一個隱含層的BP網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1。輸入節(jié)點輸出節(jié)點隱節(jié)點圖1BP網(wǎng)絡(luò)模型結(jié)構(gòu)圖BP網(wǎng)絡(luò)各層節(jié)點之間全部互相連接，同層節(jié)點之間不連接，每層節(jié)點的輸出只影響下一層節(jié)點的輸出。BP算法的主要思想是：對于n個輸入學(xué)習(xí)樣本已知與其相對應(yīng)的輸出樣本學(xué)習(xí)的目的是用網(wǎng)絡(luò)的實際輸出與目標(biāo)矢量之間的誤差來修改其權(quán)值，使與其期望的盡可能的接近。即：使網(wǎng)絡(luò)輸出層的誤差達(dá)到最小，它是通過連續(xù)不斷地在相對于誤差函數(shù)斜率下降的方向上計算網(wǎng)絡(luò)權(quán)值和閥值的變化而逐漸逼近目標(biāo)的。每一次權(quán)值和偏差的變化都與網(wǎng)

7、絡(luò)誤差的影響成正比，并以反向傳播的方式傳遞到每一層的。3BP神經(jīng)網(wǎng)絡(luò)模型改進(jìn)標(biāo)準(zhǔn)梯度BP算法解決了多層前向人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問題，在實際應(yīng)用中有著重要的意義，但也存在一些不足，其主要表現(xiàn)在：(1)BP算法的收斂速度比較慢，一般需要成千上萬次的迭代計算；(2)系統(tǒng)訓(xùn)練可能不穩(wěn)定；(3)目標(biāo)函數(shù)可能陷入局部極小值；(4)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目的選取和連接權(quán)W初值的選取，往往靠經(jīng)驗。另外新加入的樣本要影響到已學(xué)習(xí)完的樣本，還有一些理論上的問題，如網(wǎng)絡(luò)的收斂性與結(jié)構(gòu)之間的關(guān)系。3.1附加動量法針對收斂速度慢、系統(tǒng)

8、訓(xùn)練不穩(wěn)定及可能陷入局部極小等問題，通常的改進(jìn)方法是采用附加動量法。測繪信息網(wǎng)http://www.othermap.com/該方法是在反向傳播法的基礎(chǔ)上在每一個權(quán)值及閥值的變化上加上一項正比于前次權(quán)值變化量的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值及偏差變化。隱含層從第i個輸入到第k個輸出帶有附加動量因子的權(quán)值調(diào)節(jié)公式為：(1)其中：為訓(xùn)練次數(shù)，為學(xué)習(xí)速率，為動量因子，為附加動量項。利用附加動量法可以平滑梯度方向的劇烈變化，增加算法的穩(wěn)定性。其