改进bp神经网络模型在某重力坝变形监测中的应用

《改进bp神经网络模型在某重力坝变形监测中的应用》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、膅膆莅螅肁膅蒇羁羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肃膁蚆袀罿膀莆蚃袅艿蒈衿膄芈薀蚁肀芇螃袇肆芇蒂螀羂芆薅羅袈芅蚇螈膇芄莇羃肃芃葿螆罿莂薁羂袅莁蚄螄膃莁莃薇腿莀薆袃肅荿蚈蚆羁莈莈袁袇莇蒀蚄膆莆薂衿肂蒆蚄蚂羈蒅莄袈袄蒄蒆蚀节蒃虿羆膈蒂螁蝿肄蒁蒁羄羀肈薃螇袆肇蚅羃膅膆莅螅肁膅蒇羁羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肃膁蚆袀罿膀莆蚃袅艿蒈衿膄芈薀蚁肀芇螃袇肆芇蒂螀羂芆薅羅袈芅蚇螈膇芄莇羃肃芃葿螆罿莂薁羂袅莁蚄螄膃莁莃薇腿莀薆袃肅荿蚈蚆羁莈莈袁袇莇蒀蚄膆莆薂衿肂蒆蚄蚂羈蒅莄袈袄蒄蒆蚀节蒃虿羆膈蒂螁蝿肄蒁蒁羄羀肈薃螇袆肇

2、蚅羃膅膆莅螅肁膅蒇羁羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肃膁蚆袀罿膀莆蚃袅艿蒈衿膄芈薀蚁肀芇螃袇肆芇蒂螀羂芆薅羅袈芅蚇螈膇芄莇羃肃芃葿螆罿莂薁羂袅莁蚄螄膃莁莃薇腿莀薆袃肅荿蚈蚆羁莈莈袁袇莇蒀蚄膆莆薂衿肂蒆蚄蚂羈蒅莄袈袄蒄蒆蚀节蒃虿羆膈蒂螁蝿肄蒁蒁羄羀肈薃螇袆肇蚅羃膅膆莅螅肁膅蒇羁羇膄薀螄羃膃螂薆芁膃蒂袂膇膂薄蚅肃膁蚆袀罿膀莆蚃袅艿蒈改进BP神经网络模型在某重力坝变形监测中的应用周光文1,2.董建良2.陈亮亮2.(1．中国矿业大学北京校区，北京，100083；2．南昌大学建工学院，江西南昌，330029．）摘

3、　要：针对传统的数学模型方法的不足，本文通过对BP网络模型的研究，建立BP神经网络预测模型，并使用MATLAB语言编程加以实现。将模型应用于某重力坝实测变形监测数据的分析和预测，发现其预报精度较以往统计模型有较大提高。关键词：BP模型；变形监测；1引言建立有效实用的大坝原型观测模型，正确地模拟和预测大坝安全监测量，对馈控大坝的安全运行和辅助决策具有十分重要的意义。目前国内外大坝安全监测中主要采用数学模型(统计模型、确定性模型和混合模型)来进行模拟分析和预测预报。数学模型属于显示函数形式，能够进行预测分析

4、，并能对模型中的各分量进行物理解释，是大坝原型监测资料分析领域最成熟的方法，但是，数学模型在一定程度上统计特性，建立在观测误差的数学期望全为零、各次观测互相独立以及观测误差呈正态的假定前提下，因此其模型精度在很大程度上取决于建模因子的选择是否恰当，这样就造成在进行预测分析时，有时会出现预测效果不好，偏离发展趋势等问题。人工神经网络(ArtificialNeuralNetwork缩写为ANN)是由大量简单的处理单元广泛地相互连接而成的复杂网络系统，具有高度的并行处理，联想记忆，良好的自适应和自组织能力，它

5、无需人们预先确定系统的模型，而是以实验或实测数据为基础，经过有限次的迭代计算，根据系统输入和输出找到它们之间的非线性关系，从而获得一个反映实验或实测数据在内规律的数学模型，因此，运用ANN能很好实现大坝安全监测的建模和预报功能。2BP神经网络模型原理BP神经网络按拓扑结构分，属前向网络，但它采用的是反向传播的学习方法，故又称为反向传播神经网络(Back-PropagationNeuralNetwork)，简称为BP网络。BP模型是一种多层感知器结构，由若干层神经元组成，除输入层和输出层外，包括一个或多个

6、中间隐含层。一个具有3个输入和一个隐含层的BP网络模型结构如图1。输入节点输出节点隐节点图1BP网络模型结构图BP网络各层节点之间全部互相连接，同层节点之间不连接，每层节点的输出只影响下一层节点的输出。BP算法的主要思想是：对于n个输入学习样本已知与其相对应的输出样本学习的目的是用网络的实际输出与目标矢量之间的误差来修改其权值，使与其期望的尽可能的接近。即：使网络输出层的误差达到最小，它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和阀值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网

7、络误差的影响成正比，并以反向传播的方式传递到每一层的。3BP神经网络模型改进标准梯度BP算法解决了多层前向人工神经网络的训练问题，在实际应用中有着重要的意义，但也存在一些不足，其主要表现在：(1)BP算法的收敛速度比较慢，一般需要成千上万次的迭代计算；(2)系统训练可能不稳定；(3)目标函数可能陷入局部极小值；(4)网络隐含层神经元数目的选取和连接权W初值的选取，往往靠经验。另外新加入的样本要影响到已学习完的样本，还有一些理论上的问题，如网络的收敛性与结构之间的关系。3.1附加动量法针对收敛速度慢、系统

8、训练不稳定及可能陷入局部极小等问题，通常的改进方法是采用附加动量法。测绘信息网http://www.othermap.com/该方法是在反向传播法的基础上在每一个权值及阀值的变化上加上一项正比于前次权值变化量的值，并根据反向传播法来产生新的权值及偏差变化。隐含层从第i个输入到第k个输出带有附加动量因子的权值调节公式为：(1)其中：为训练次数，为学习速率，为动量因子，为附加动量项。利用附加动量法可以平滑梯度方向的剧烈变化，增加算法的稳定性。其