《论文翻译BP神经网络模型在大坝变形监测中的研究》由会员分享，可在线阅读，更多相关《论文翻译BP神经网络模型在大坝变形监测中的研究（7页珍藏版）》请在装配图网上搜索。
1、BP神经网络模型在大坝变形监测中的研究摘 要在本文对大坝变形监测数据的分析中，改进过的BP神经网络模型主要用来针对限制传统的统计模型的方法。本文主要介绍了BP神经网络模型的结构和算法以及样本数据的归化。泰和水库大坝模型的应用表明，BP神经网络模型的精度优于统计模型。关键词：大坝变形监测 BP神经网络模型 归化一 引 言为了准确地模拟和预报大坝安全监测，大坝原型观测上有效而实用的模型的建立是很重要的，尤其在大坝联合控制的安全运行和辅助决策的制定方面。目前在国内外有许多方法来模拟分析并预报大坝安全监测，例如统计模型、确定性模型和混合模型。由于复杂的影响因素，传统的数学原型观测不能完全描述大坝安全监
2、测的非线性映射关系，并取得令人满意的结果。神经网络是由大量的简单计算处理单元（称为神经元）构成的，它们之间又通过复杂的大型非线性自适应系统进行连接。它是通过连续或间歇性输入状态反应来处理信息。有着高速和大规模并行处理，以及高维非线性动力学特征和高度容错性等特点，神经网络很适合处理非线性问题。这就是为什么它被越来越多广泛应用在许多专业领域。神经网络应用于大坝原型观测，克服了传统模式的局限性基本观测线性和非线性方法，探索了新的建模和预报方法。二 BP神经网络模型输入层输出层隐层图1：三层BP网络模型结构图BP神经网络（反向传播神经网络），也叫逆向传播神经网络，是最广泛使用的一种神经网络。BP神经网
3、络是一种典型的多层次网络，包括输入层，隐层和输出能，它通常通过全联通的方法进行连接，每层的单元间没有相互连接。图1是一个典型的三层BP神经网络结构图。神经网络的基本处理单元（除输入层单元）是非线性输入输出的关系，因此可以采用S型函数，它的输出值在一个连续的范围内。BP模型实现了学习多层网络的理念。当给网络一个输入信号，它通过单位处理从输入层传输到隐层，然后传输到输出层。在输出层单元被处理后，它产生一个输出信号，这是一个循序渐进的更新过程，叫做预传播。如果输出响应和期望输出信号之间有一个偏差，则不能满足要求。为了传输层与层之间连接路径的偏差以及修改层之间的连接权，然后传输反向传播的偏差。我们不断
4、用一组给定的训练模式来逐一训练网络，然后重复预传播的过程，直到所有的训练模式满足整个网络的需要。然后我们才认为BP神经网络已经学习完成并且满足需求。BP神经网络算法的流程在图2可以看到。开始计算每个隐层单元的输出给网络提供学习模式初始化连接权值和阈值调整从输入层到隐含层的连接权和每个单元的输出在隐含层的阈值计算每个输出层单元的输出更新学习模式计算每个输出层单元的一般化误差调整从隐含层到输出层的连接权和每个单元的输出在输出层的阈值计算每个隐层单元的一般化误差结束所有训练误差（或迭代次数）N更新学习次数结束图2 ：BP算法流程图NNYY三 案例研究A问题的说明需要泰和水库大坝施工建设时期的渗流、应
5、力、位移等参数，因此监测仪器必须设立在大坝、副坝、导流洞等其他主要建筑物上。基于导流洞钢筋计视准线观测，导流洞应力的变化和两个因素温度和时间有着密切的联系。传统统计模型选择温度和时间作为可预报因子，并通过回归进行分析、计算。每个钢筋计的多元回归模型是： 。在这个公式中，是钢筋计的应力大小（兆帕），t是导流洞混凝土的浇筑时间，是日平均气温，是3天前的日平均气温，是7天前的日平均气温，是10天前的日平均气温，是30天前的日平均气温，b0、b1、b2、b3、b4、b5、b6、b7是回归系数。多元线性回归只能是模拟的线性系统，这就是为什么混凝土龄期的数据必须进行预处理再回归分析。神经网络具有很强的不经
6、过数据预处理就能进行非线性模拟的能力，因此观测数据可以直接用来训练网络。神经网络可以根据网络的权重进行预报。考虑到大坝原型观测数据很强的非线性特点，在本文BP神经网络被用来模拟和预报泰和水库大坝原型的观测中，结果和多元回归进行了比较。B常规BP网络训练在泰和水库导流洞内选择一组观测点，并随机分为两个部分：162个训练样本用来网络学习和培训，40个预测样本通过输入预测样本到已经训练过的网络来计算预测偏差。每个样本包含7个数据，其中6个观测数据作为网络的输入，分别为：、t；钢筋计的应力作为网络的输出。因此网络结构包括6个输入层单元，8个隐层单元和1个输出层单元。设置神经网络学习控制参数如下：学习因
7、子为0.00001，动量因子为0.1，偏差控制为0.00001，迭代次数为500000。使用上述的样本来训练BP神经网络一般会得到以下结果：神经网络输出的平均误差是5.34，最大误差是9.53。反复调整网络的控制参数，结果并不令人满意。通过分析我们认识到网络单元使用的数据很不一致，通过隐层单元叠加后将有更大的偏差，这就是为什么样本数据必须要标准化。C训练样本的标准化训练样本的标准化是把样本的值标准化在0.1到0.9的范围内，这是为了避免S型函数两个饱和区输出最大和最小，并减少培训时间。S型函数是。自变量和因变量都必须标准化。标准化公式如下：。训练时，每个变量的最大值和最小值都会被保留。预报完成
8、后，预报结果一定要还原，还原公式是：。神经网络参数设置如下：6个输入层单位，8个隐层单元和1个输出层单元，学习因子为0.01，动量因子为0.1，迭代次数为500000，网络输出的平均误差为0.035，最大误差为0.085。数据还原后最大误差为3.6。标准化后网络训练的结果有了显著的改善。D结果分析与比较如上所述，具有相同结构和参数的BP神经网络，我们使用两套观测数据进行模拟和预报，然后使用多元回归模型对结果进行比较分析。表1显示了两种模型的相应的应力特征。表1：BP神经网络和回归模型的结果比较模拟预报平均误差最大误差平均误差最大误差回归1.2263.5781.1913.382BP神经网络1.1
9、853.61.153.288BP神经网络模型和多元回归模型的模拟结果由图3所示。结果由图4所示。预报误差的比较由图5所示。图3：模拟结果的比较 图4：预报结果比较图5：预报误差的比较两种模型的平均误差和最大误差非常接近，BP神经网络模型的预报能力略高于多元回归模型，从图标变化来看也都基本符合测量数据，两者的预报误差也有着相同的趋势。综上所述，BP神经网络和多元回归模型一样，能反映钢筋计的应力影响因子的变化趋势。和多元回归模型相比，BP神经网络能更好地模拟大坝原型观测。四 结 论1、从上述结果可以看出，BP神经网络模型和多元回归模型的模拟精度是基本相当的，而其预报精度略高于统计模型。BP神经网络
10、模型已经适应了大坝系统复杂性和巨大性的特点，他是一个具有良好应用前景的数学模型。2、实际上，多元线性回归模型是BP神经网络模型的一种简化形式。当隐层被去掉并且输出层的单元个数被设置成1时，一个三层BP网络可以转化为一个多元线性回归模型。3、和多元线性回归模型相比，BP神经网络模型的预报因子不需要做线性预处理（如指数、对数等）以及样本观测数据的直接非线性映射。标准化后样本观测数据可以直接用来训练网络。4.、BP神经网络模型的关键在于模型的训练。目前模型的训练时间很长，为决定一些参数值和特征值需要反复尝试，并且它需要很多重要的经验因素。模型参数值有待进一步研究。参考文献【1】吴中如，等水工建筑物安全控制理论及其应用南京：河海大学出版社，1990【2】焦李成神经网络的应用与实践西安：西安电子科技大学出版社，1993【3】李效安张肖魁神经网络和神经计算机科学简介西安：西北工业大学出版社，2000【4】黄义全，张正禄基于人工神经网络的分析和预报大坝变形大坝与安全，2002年，（5）：36 46【5】邓年武，邱甫清，许辉基于BP模型的土坝数据分析武汉大学学报（工程科学版），2001，34（4）：17 -20
论文翻译BP神经网络模型在大坝变形监测中的研究
