人工神经网络方法在变形监测的应用范文

本站小编为你精心准备了人工神经网络方法在变形监测的应用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要:变形模型的分析研究以及变形预测是变形监测的重要内容，常用的方法有回归分析法、时间序列法、灰色理论方法、人工神经网络法以及变形的组合分析方法等，本文就人工神经网络方法从实际应用的角度出发，对工程实例进行了计算分析，得到了相应的变形分析模型并进行了变形的预测，试验结果说明:人工神经网络方法应用于实际工程的监测预测具有一定的实际意义。

关键词:变形监测;人工神经网络方法;预测

0引言

随着国民经济的发展，各种建筑物如雨后春笋般地出现。对这些高层建筑物进行变形观测，特别是对施工中的高层建筑物进行变形观测更是必不可少的环节。并且要根据监测数据对建筑物的变形进行短期预报，从而能根据实际情况在施工中采取措施。由于影响物体的变形因素很多，要详细了解各种因素的细节是难以实现的，如果宏观地认识到变形的整体动态性，黑箱分析法是一种极为现实的方法。人工神经网络方法就是这种方法，它模拟人脑的生物神经系统，由大量具有非线性映射能力的神经元组成，神经元之间通过权系数相连接，可进行大规模的信息处理［1］。由于建筑物变形具有随机性和不确定因素，完全可以利用神经网络极强的映射能力和计算能力，实现变形物体的黑箱系统的输出与输入之间的映射。

1国内外研究现状

1960年B．Widorw和M．E．Hoff提出了自适应线性单元网络，他们提出了LMS算法，即数学上的最速下降法，这种算法为BP算法的提出奠定了基础。1986年D．E．Rumelhart和J．L．MeCelland及其研究小组提出的PDP(ParallelDistributedProcessing)网络思想将神经网络研究推向了高潮，并提出了至今影响最大、使用最广的误差反向传播算法———BP算法，而BP算法是基于梯度的最速下降法，它以误差平方为目标函数，因而存在不小的缺陷。近几十年来，许多国内外的专家学者在基于BP算法的性能优化等方面做了很多工作［2－3］。作为一种黑箱方法，同时具有良好的数据逼近性能，目前国内外已经有很多的学者对BP神经网络用于变形预测进行了研究。贺志勇等指出，BP神经网络预测模型能成功应用在深基坑施工地面沉降和围护结构水平位移预测方面，该方法在变形预测方面具有广泛的应用前景;陈尚荣等经过试验证明神经网络对深基坑变形预测是可行和有效的。

2人工神经网络方法(BP)及算法

2．1人工神经网络方法

BP概述基于BP算法的BP(BP:ErrorBack－propagationAl-gorithm)神经网络是一种单向传播的多层前向网络，一般是一个三层或三层以上的阶层神经网络，由输入层、输出层和至少一个隐含层组成。

2．2BP神经网络算法流程BP神经网络算法步骤［3］:1)确定神经网络的层数o，输入层的神经元个数n，输出层的神经元个数m，隐含层的神经元节点个数p(1989年，RobertHect－Nielson证明了一个3层网络能够以任意精度实现连续函数的映射，这里以三层网络为例)。2)权值和阈值初始化。为各连接权{ωij}，{ωjk}及阈值{θj}，{θk}赋予(－1，1)之间的随机值{ωij}是输入层与隐含层之间的连接权，{ωjk}是隐含层与输出层之间的连接权，{θj}，{θk}分别为隐含层和输出层的阈值(i=1，2，…，n，j=1，2，…，p，k=1，2，…，m)。

3变形监测中的BP模型及应用

3．1工程实例说明现以某深基坑工程的实测数据为原始数据［3］，对观测点的沉降观测数据进行变形预测，变形观测每两天观测一次，监测数据经初步处理，即数据预处理将部分可疑的数据予以剔除。

3．2变形监测中BP模型设计

考虑变形监测中对观测点沉降变化的影响因素较为复杂，难以确定，这里使用时间域上的BP神经网络算法，即只利用历史观测数据输入进行预测，而不考虑其他因素的特征量输入。由于在2．2中提及3层网络能够以任意精度实现连续函数的映射，这里采用最简单的3层神经网络设计，使用Matlab神经网络工具箱来实现BP算法并应用于实际变形监测分析和预测［5］。具体模型实现如下:1)样本数据的选取考虑数据的充分利用和网络训练学习的复现性，将观测数据分为学习样本和预测样本，采用滚动样本采集方法确定学习样本和预测样本。设BP模型的输入参数为4，输出参数为1。2)激励函数的选取中间层的激励函数采用对数S形转移函数，而中间层到输出层为线性函数。3)初始参数的选择BP模型的输入参数为4，输出参数为1，中间隐含层的神经元节点数难以确定，最佳隐含层节点数的一个常用方法称为试凑法，可先设置较少的隐含层节点训练网络，然后逐渐增加隐含层节点数，用同一样本集进行训练，从而确定网络误差最小时对应的隐含层节点数。

3．3BP模型计算与分析使用上述参数在Matlab下实现并计算，学习率α的选择包括0．01、0．05、0．1、0．5、0．8、0．95个值，中间隐含层的神经元节点数范围为［5，12］，对不同学习率和隐含层节点数的组合进行计算测试，分别得到其网络均方误差见表3。从表中可以看出，学习率较高的时候选取任何节点数结果表现都不是很好，部分节点数如12节点的模型到后期甚至有发散的趋势。

4结束语

1)人工神经网络系统具有高度容错性和自适应性，适合解决变形预测中涉及的模糊性和不确定性问题。2)此次采用BP人工神经网络方法对变形监测数据进行建模和预测，在20个学习样本和4个预测样本的前提下，预测的均方根误差为0．32mm，说明在一定的精度范围下，利用BP模型进行变形预测可行且有效。3)BP人工神经网络方法中学习率与隐含层神经元节点数的确定在网络建模和学习的过程中有着关键作用，直接影响网络收敛速度和建模精度，另外，BP人工神经网络模型仍然有自身的诸多不足，还有待改进和完善。

参考文献:

［1］周满贵，潘国荣．建筑物变形短期预测的神经网络方法［J］．测绘工程，1999，8(4):63－66．

［2］王莎．BP神经网络在股票预测中的应用研究［D］．长沙:中南大学，2008．

［3］曹祖宝．人工神经网络方法在基坑变形预测中的应用研究［D］．北京:煤炭科学研究总院，2004．

［4］刘海燕．深基坑监测数据分析与变形预测研究［D］．北京:北京交通大学，2012．

［5］李上钦，罗武章，陈雄图，等．基于BP模型与ARX模型的基坑变形预测研究［J］．土工基础，2015(4):61－64，72.

作者：孟磊；于庆锋；宋永超 单位：黑龙江第一测绘工程院