RBF神经网络在河堤变形分析和预测中的应用.pdfVIP

·280· ·信息化经营管理综述· RBF神经网络在河堤变形分析和预测中的应用 袁利兴，张爱学，穆玉勇 (邯邢冶金矿山管理局西石门铁矿，河北邯郸056303) 摘要：该文简要介绍了ILBP神经网络模型的基本原理，分析了ILBF神经网络模型的结构。在此基础上通过 matIab语言编写了RBF神经网络预测程序，对马河河堤的沉降量进行分析预测，验证了该模型的正确性。同时， 将该模型的预测值与常用的BP神经网络模型的预测值进行比较分析，验证了RBF神经网络模型的优越性。 关键词：R．BF神经网络变形分析预测 目前，BP神经网络在变形分析和预测中已得到 将输入矢量直接(而不通过权连接)映射到隐层空间， 一定的应用。但BP是全局逼近网络，对每个输入输 当径向基函数的中心点确定后，这种映射关系也就 出数据对，网络的每一个权值均需要调整，从而导致 确定了，并且这种映射关系是非线性的，而隐层空间 该网络学习速度很慢。实际应用中还会发现BP神 到输出层空间的映射是线性的，即网络输出是隐层 经网络存在收敛速度很慢、容易陷入局部极小和隐 神经元输出的线性加权的和。 含层节点数不易确定等缺点。径向基神经网络(简称 基函数采用高斯函数： RBF)贝I|是一种典型的局部逼近神经网络。因此，本 ．● _12 文将采用RBF神经网络方法来分析和预测马河河 。2正 堤的沉降变化。 式中，为径向基函数(即隐含单元的变换函数)， l砌疆神经网络模型和结构分析 是一种局部分布的对中心点径向对称衰减的非线性 RBF神经网络基本结构为三层，是一种静态前 函数，就是我们前面介绍的高斯函数；表示范数，通 向网络，其拓扑结构如图1所示。第一层为输入层， 常取2范数；为维输入向量，即；为第个隐层单元的 由信号原结点组成；第二层为隐含层，其神经元个数 中心。 根据所描述问题的需要而定；第三层为输出层，它对 输出结果：从隐含层空间到输出层空问的线性 输入模式的作用响应。 合并层，即： m (聋)=艺t(x)w； (2) i=l 式中，为第个隐层单元与输出之间的连接权；为 隐单元数。 构造和训练一个RBF神经网络就是要使映射 函数通过学习，确定每个隐层神经元基函数的中心， 宽度以及隐层到输出层的权值这些参数的过程，从 而可以完成所需要的输入到输出的映射。 隐含层