人工神經(jīng)網(wǎng)絡(luò)方法在變形監(jiān)測的應(yīng)用范文

本站小編為你精心準備了人工神經(jīng)網(wǎng)絡(luò)方法在變形監(jiān)測的應(yīng)用參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

摘要:變形模型的分析研究以及變形預(yù)測是變形監(jiān)測的重要內(nèi)容，常用的方法有回歸分析法、時間序列法、灰色理論方法、人工神經(jīng)網(wǎng)絡(luò)法以及變形的組合分析方法等，本文就人工神經(jīng)網(wǎng)絡(luò)方法從實際應(yīng)用的角度出發(fā)，對工程實例進行了計算分析，得到了相應(yīng)的變形分析模型并進行了變形的預(yù)測，試驗結(jié)果說明:人工神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于實際工程的監(jiān)測預(yù)測具有一定的實際意義。

關(guān)鍵詞:變形監(jiān)測;人工神經(jīng)網(wǎng)絡(luò)方法;預(yù)測

0引言

隨著國民經(jīng)濟的發(fā)展，各種建筑物如雨后春筍般地出現(xiàn)。對這些高層建筑物進行變形觀測，特別是對施工中的高層建筑物進行變形觀測更是必不可少的環(huán)節(jié)。并且要根據(jù)監(jiān)測數(shù)據(jù)對建筑物的變形進行短期預(yù)報，從而能根據(jù)實際情況在施工中采取措施。由于影響物體的變形因素很多，要詳細了解各種因素的細節(jié)是難以實現(xiàn)的，如果宏觀地認識到變形的整體動態(tài)性，黑箱分析法是一種極為現(xiàn)實的方法。人工神經(jīng)網(wǎng)絡(luò)方法就是這種方法，它模擬人腦的生物神經(jīng)系統(tǒng)，由大量具有非線性映射能力的神經(jīng)元組成，神經(jīng)元之間通過權(quán)系數(shù)相連接，可進行大規(guī)模的信息處理［1］。由于建筑物變形具有隨機性和不確定因素，完全可以利用神經(jīng)網(wǎng)絡(luò)極強的映射能力和計算能力，實現(xiàn)變形物體的黑箱系統(tǒng)的輸出與輸入之間的映射。

1國內(nèi)外研究現(xiàn)狀

1960年B．Widorw和M．E．Hoff提出了自適應(yīng)線性單元網(wǎng)絡(luò)，他們提出了LMS算法，即數(shù)學上的最速下降法，這種算法為BP算法的提出奠定了基礎(chǔ)。1986年D．E．Rumelhart和J．L．MeCelland及其研究小組提出的PDP(ParallelDistributedProcessing)網(wǎng)絡(luò)思想將神經(jīng)網(wǎng)絡(luò)研究推向了高潮，并提出了至今影響最大、使用最廣的誤差反向傳播算法———BP算法，而BP算法是基于梯度的最速下降法，它以誤差平方為目標函數(shù)，因而存在不小的缺陷。近幾十年來，許多國內(nèi)外的專家學者在基于BP算法的性能優(yōu)化等方面做了很多工作［2－3］。作為一種黑箱方法，同時具有良好的數(shù)據(jù)逼近性能，目前國內(nèi)外已經(jīng)有很多的學者對BP神經(jīng)網(wǎng)絡(luò)用于變形預(yù)測進行了研究。賀志勇等指出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型能成功應(yīng)用在深基坑施工地面沉降和圍護結(jié)構(gòu)水平位移預(yù)測方面，該方法在變形預(yù)測方面具有廣泛的應(yīng)用前景;陳尚榮等經(jīng)過試驗證明神經(jīng)網(wǎng)絡(luò)對深基坑變形預(yù)測是可行和有效的。

2人工神經(jīng)網(wǎng)絡(luò)方法(BP)及算法

2．1人工神經(jīng)網(wǎng)絡(luò)方法

BP概述基于BP算法的BP(BP:ErrorBack－propagationAl-gorithm)神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，一般是一個三層或三層以上的階層神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層和至少一個隱含層組成。

2．2BP神經(jīng)網(wǎng)絡(luò)算法流程BP神經(jīng)網(wǎng)絡(luò)算法步驟［3］:1)確定神經(jīng)網(wǎng)絡(luò)的層數(shù)o，輸入層的神經(jīng)元個數(shù)n，輸出層的神經(jīng)元個數(shù)m，隱含層的神經(jīng)元節(jié)點個數(shù)p(1989年，RobertHect－Nielson證明了一個3層網(wǎng)絡(luò)能夠以任意精度實現(xiàn)連續(xù)函數(shù)的映射，這里以三層網(wǎng)絡(luò)為例)。2)權(quán)值和閾值初始化。為各連接權(quán){ωij}，{ωjk}及閾值{θj}，{θk}賦予(－1，1)之間的隨機值{ωij}是輸入層與隱含層之間的連接權(quán)，{ωjk}是隱含層與輸出層之間的連接權(quán)，{θj}，{θk}分別為隱含層和輸出層的閾值(i=1，2，…，n，j=1，2，…，p，k=1，2，…，m)。

3變形監(jiān)測中的BP模型及應(yīng)用

3．1工程實例說明現(xiàn)以某深基坑工程的實測數(shù)據(jù)為原始數(shù)據(jù)［3］，對觀測點的沉降觀測數(shù)據(jù)進行變形預(yù)測，變形觀測每兩天觀測一次，監(jiān)測數(shù)據(jù)經(jīng)初步處理，即數(shù)據(jù)預(yù)處理將部分可疑的數(shù)據(jù)予以剔除。

3．2變形監(jiān)測中BP模型設(shè)計

考慮變形監(jiān)測中對觀測點沉降變化的影響因素較為復(fù)雜，難以確定，這里使用時間域上的BP神經(jīng)網(wǎng)絡(luò)算法，即只利用歷史觀測數(shù)據(jù)輸入進行預(yù)測，而不考慮其他因素的特征量輸入。由于在2．2中提及3層網(wǎng)絡(luò)能夠以任意精度實現(xiàn)連續(xù)函數(shù)的映射，這里采用最簡單的3層神經(jīng)網(wǎng)絡(luò)設(shè)計，使用Matlab神經(jīng)網(wǎng)絡(luò)工具箱來實現(xiàn)BP算法并應(yīng)用于實際變形監(jiān)測分析和預(yù)測［5］。具體模型實現(xiàn)如下:1)樣本數(shù)據(jù)的選取考慮數(shù)據(jù)的充分利用和網(wǎng)絡(luò)訓(xùn)練學習的復(fù)現(xiàn)性，將觀測數(shù)據(jù)分為學習樣本和預(yù)測樣本，采用滾動樣本采集方法確定學習樣本和預(yù)測樣本。設(shè)BP模型的輸入?yún)?shù)為4，輸出參數(shù)為1。2)激勵函數(shù)的選取中間層的激勵函數(shù)采用對數(shù)S形轉(zhuǎn)移函數(shù)，而中間層到輸出層為線性函數(shù)。3)初始參數(shù)的選擇BP模型的輸入?yún)?shù)為4，輸出參數(shù)為1，中間隱含層的神經(jīng)元節(jié)點數(shù)難以確定，最佳隱含層節(jié)點數(shù)的一個常用方法稱為試湊法，可先設(shè)置較少的隱含層節(jié)點訓(xùn)練網(wǎng)絡(luò)，然后逐漸增加隱含層節(jié)點數(shù)，用同一樣本集進行訓(xùn)練，從而確定網(wǎng)絡(luò)誤差最小時對應(yīng)的隱含層節(jié)點數(shù)。

3．3BP模型計算與分析使用上述參數(shù)在Matlab下實現(xiàn)并計算，學習率α的選擇包括0．01、0．05、0．1、0．5、0．8、0．95個值，中間隱含層的神經(jīng)元節(jié)點數(shù)范圍為［5，12］，對不同學習率和隱含層節(jié)點數(shù)的組合進行計算測試，分別得到其網(wǎng)絡(luò)均方誤差見表3。從表中可以看出，學習率較高的時候選取任何節(jié)點數(shù)結(jié)果表現(xiàn)都不是很好，部分節(jié)點數(shù)如12節(jié)點的模型到后期甚至有發(fā)散的趨勢。

4結(jié)束語

1)人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有高度容錯性和自適應(yīng)性，適合解決變形預(yù)測中涉及的模糊性和不確定性問題。2)此次采用BP人工神經(jīng)網(wǎng)絡(luò)方法對變形監(jiān)測數(shù)據(jù)進行建模和預(yù)測，在20個學習樣本和4個預(yù)測樣本的前提下，預(yù)測的均方根誤差為0．32mm，說明在一定的精度范圍下，利用BP模型進行變形預(yù)測可行且有效。3)BP人工神經(jīng)網(wǎng)絡(luò)方法中學習率與隱含層神經(jīng)元節(jié)點數(shù)的確定在網(wǎng)絡(luò)建模和學習的過程中有著關(guān)鍵作用，直接影響網(wǎng)絡(luò)收斂速度和建模精度，另外，BP人工神經(jīng)網(wǎng)絡(luò)模型仍然有自身的諸多不足，還有待改進和完善。

參考文獻:

［1］周滿貴，潘國榮．建筑物變形短期預(yù)測的神經(jīng)網(wǎng)絡(luò)方法［J］．測繪工程，1999，8(4):63－66．

［2］王莎．BP神經(jīng)網(wǎng)絡(luò)在股票預(yù)測中的應(yīng)用研究［D］．長沙:中南大學，2008．

［3］曹祖寶．人工神經(jīng)網(wǎng)絡(luò)方法在基坑變形預(yù)測中的應(yīng)用研究［D］．北京:煤炭科學研究總院，2004．

［4］劉海燕．深基坑監(jiān)測數(shù)據(jù)分析與變形預(yù)測研究［D］．北京:北京交通大學，2012．

［5］李上欽，羅武章，陳雄圖，等．基于BP模型與ARX模型的基坑變形預(yù)測研究［J］．土工基礎(chǔ)，2015(4):61－64，72.

作者：孟磊；于慶鋒；宋永超 單位：黑龍江第一測繪工程院