动态模糊神经网络在变形预测中的应用.pdfVIP

第 3l卷 第3期 桂 林 理 工 大 学 学 报 Vol_31No．3 2011年 8月 JournalofGuilinUniversityofTechnology Aug． 2011 文章编号：1674—9057 (2011)03—0395—04 动态模糊神经网络在变形预测中的应用 肖桂元 ，刘立龙 (1．同济大学 道路与交通工程教育部重点实验室，上海 201804；2．桂林理工大学 a．土木与建筑工程学院； b．广西建筑工程检测与试验重点实验室；C．广西空间信息与测绘重点实验室，广西 桂林 541004) 摘 要：为了得到更好的桥梁墩台沉降变形预测精度，减少工程监测实践的误差，分别介绍了基于扩 展径向基函数神经网络 (RBFNN)与动态模糊神经网络 (DFNN)的学习算法和参数的确定方法。选 取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训 练 ，进行桥梁墩台沉降变形预测 。实例分析结果表明，径 向基 函数神经网络预测误差达到 0．15mm， 而动态模糊神经网络预测误差达到0．07mm，显然动态模糊神经网络具有更高的预测精度，从而证实 了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。 关键词 ：动态模糊神经 网络 ；径向基函数神经网络；变形预测 中图分类号 ：U443．25；TU196 文献标志码 ：A 变形预报是变形分析的一项重要 内容。经典 神经网络，动态模糊神经网络模型的网络结构不 的预报模型如曲线拟合…、多元回归分析 J、灰 是预先设定的，而是动态变化的。该模型具有 以 色模型L3等，这些方法的共 同特点是先建立数据 下几个显著特点 ：动态 自组织结构，快速的学 序列的主观模型，然后根据主观模型对变形进行计 习速度 ，较好的泛化能力和灵活的学习方法。 算和预测。由于建模的主观性，这些模型对于复 桥梁沉降主要是由于桥梁上部荷载作用振动 杂非线性 的变形数据分析和预测效果不甚理想。 传递给桥梁墩台等原因使承台发生沉降所致。本 人工神经网络 由于其较强的逼近能力、自组织和 文将动态模糊神经网络应用到桥梁承台沉降的预 自适应能力等特点，对于复杂、非线性系统的预 测中，建立基于扩展RBF神经网络的DFNN模型， 测伺题表现出独特 的优势，其 中模糊神经 网络 并与径向基函数神经网络(RBFNN)模型进行对比。 (FNN)能够处理众多的影响因素，在预测问题研 究中取得 了较好 的效果。例如，模糊神经网络 1 DFNN模型 (FNN)用于混沌时间序列预测 、风速预测 、 1．1 DFNN结构 GPS卫星电离层延迟预测和大坝位移预测 等。 DFNN模型 结构如图1所示，包含5个层 ： 神经网络和模糊技术相结合可发挥各 自的优 第1层 (输入层)，每个书点代表1个输入语 势并弥补其不足。模糊系统建模中的模糊规则产 言变量 ， = (l，2，… )。 生、模糊推理、模糊化以及非模糊化都是一种函 第2层(隶属函数层)，每个节点代表 1个隶属 数映射关系，这些函数都可以用神经网络来实现， 函数 (F)。每个A 由1个高斯函数表示 这样 的网络不仅保持着模糊系统的知识表达及推 ()=exp{一( 一c)／ }， 理能力，同时可以进行学习和并行计算，提高了 i：1，2，…，r；J：1，2，…，“。 (1) 整个系统的学习能力和表达能力 l。相