基于BP神经网络土坝渗流场反演地研究.docVIP

基于BP神经网络的土坝渗流场反演研究 任喜平，钟声 （西安理工大学，陕西 西安，710048Infiltrates the flow field inversion research based on the BP neural networks earth stone dam Ren Xi-ping，Xi’an University of Technology, Xi’an, Shaanxi 710048, China） Abstract: The earth dam, the base of dam soil either the rock mass, both banks soil body or the rock mass penetration coefficient is analyzes the earth dam to infiltrate the flow field a key parameter. It relates the people whether can understand the dam truly the actual safe condition. This article from therefore monitor and the inversion analysis on the spot unifies the inversion penetration coefficient. This article from this angle embarking, in view of between monitoring datas in measuring tube flood peak and penetration coefficients misalignment relations, introduces the BP nerve network method, the genetic algorithm, uses in the inversion earth stone dam penetration coefficient, the contrast reference actual design penetration coefficient. Key words: BP neural network; Genetic algorithm; Penetration coefficient; Misalignment 1 引言 人工神经网络的发展，经历了一个曲折艰难的过程。早在1943年，心理学家Warren McCulloch和数理逻辑学家Walter Pitts从信息处理的角度出发，采用数理逻辑的方法，对生物神经细胞的动作进行研究，提出了形式神经元的模型，称为MP模型。通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的新纪元。1949年心理学家Donald Hebb明确提出了突触联系强度可变假设，认为突触联系强度是随前后神经元的活动而变化，从而说明了神经元连接强度是可以修正的，为神经网络的产生奠定了基础。随后，感知器（Perception）、自适应线形神经元（Adaptive Linear Neuron）等网络与运行规则相继被提出，早期主要应用子模式识别、天气预报和自适应控制。然而，简单的感知器只能局限于处理线形问题，加之当时Von Neumann数字计算机和人工智能正处于发展的黄金时期，暂时掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络处于低潮期。直到1982年，美国加州工学院物理学家John Hopfied提出了Hopfied神经网络模型，引入了“能量模型”概念，给出了网络稳定的依据，并成功解决了著名的“旅行商问题”，成为了人工神经网络走向成熟的里程碑。1974年P.Werbos在其博士论文中提出了第一个适合多层网络的学习算法，但该算法并未受到足够的重视和广泛的应用，直到20世纪80年代中期，美国加利福尼亚的Rumelhart、Mcclelland和他的同事们成立了一个PDP（parallel distributed procession）小组，研究并行分布式信息处理方法，探索人类认知的微结构，并于1986年发表了Parallel Distributed Processing一书，将该算法应用于神经网络的研究，才使之成为迄今为止最著名的多层网络学习算法—BP算法，由此算法训练的神经网络，称之为BP神经网络。在人工神经网络的实际运用中，BP神经网络广泛应用于函数逼近、模糊识别/分类、数据压缩等，80%~90%的人工神经网络模型是采用BP网络或它的变化形式，它也是前馈网络的核