基于径向基神经网络的大坝变形监控模型.docVIP

基于径向基神经网络的大坝变形监控模型 　　摘要 变形监控是了解大坝工作状态、实施安全管理的重要内容之一。采用径向基神经网络构建大坝变形监控模型，能够更好地解决有实时性要求的在线分析问题，其预报效果和精度远远高于传统的逐步回归统计模型。虽然在预报精度上略逊于BP神经网络，但从建模容易程度、训练速度和预报精度等方面综合考虑，则远远好于BP神经网络。 　　关键词 径向基神经网络；大坝变形；监控模型；预测预报；白石水库 　　中图分类号 TV135.3 文献标识码 A 文章编号 1007-5739（2013）06-0191-01 　　变形监控是了解大坝工作状态，实施安全管理的重要内容之一。变形观测方法简便易行，其成果直观可靠，能够真实反映大坝的工作性态，既是大坝安全监测的主要监测量，又是大坝安全监控的重要指标。 　　早期人们通过绘制过程线、相关图，直观地了解大坝变形测值的变化大小和规律，并运用比较法、特征值统计法，检查变形在数量变化大小、规律、趋势等方面是否具有一致性和合理性，对大坝变形进行定性分析。随着各种分析理论的产生，模糊数学、突变理论、灰色系统理论、神经网络等理论方法被相继引入大坝变形监控领域。 　　1 径向基神经网络 　　1.1 人工神经网络概述 　　人工神经网络是人工智能控制技术的主要分支之一，具有自适应、自组织和实时学习等智能特点，能够实现联想记忆、非线性映射、分类识别等功能[1]。应用人工神经网络的非线性函数逼近能力，构建大坝监控模型，能够实现对大坝变形的实时、有效监控，其预报效果和精度远远高于传统的逐步回归统计模型[2]。 　　基于BP算法的多层前馈神经网络应用较为广泛，但是存在建模难度较大，训练时间较长，容易陷入局部极小点，不易找到理想模型等固有的缺陷。径向基神经网络解决非线性影射（曲线拟合）问题，是通过网络的学习训练，在高维空间中寻找一个统计意义上能够最佳拟合样本数据的曲面，泛化（预测预报）等价于利用这个多维曲面对样本进行插值[3]。它采用局部逼近的方法，学习速度快，能够更好地解决有实时性要求的在线分析问题。 　　1.2 径向基函数神经网络 　　径向基函数神经网络一般由3层组成，输入层只传递输入信号到隐层，隐层节点由类高斯函数的辐射状基函数构成，输出层节点通常是简单的线性函数。 　　基函数对输入信号在局部产生响应，当输入信号靠近基函数中央位置，即欧几里得距离（欧氏距离）较近时，隐层节点将产生较大的输出。神经元根据各输入向量与每个神经元权值的距离产生输出，只有那些与神经元权值相差较小，距离较近的输入向量才能激活，产生响应。这种局部响应，使得径向基网络具有良好局部逼近能力。 　　一般对于一个n维输入、m维隐层节点的径向基网络，其输入向量表示为： 　　X=（x1，x2，…，xi，…，xn）T（1） 　　那么，网络输出Y为： 　　Y=■wiφi（||X-vi||）（2） 　　式中，φi（||X-vi||）为径向基函数；||X-vi||为欧氏距离（范数）；vi为第i个径向基函数中心，一个与X同维数的向量；wi为阈值。 　　1.3 径向基神经网络和基于BP算法的多层前馈神经网络比较 　　径向基网络和基于BP算法的多层前馈神经网络一样，都属于有导师学习方式的前馈型反向传播网络，都能解决非线性函数的拟合、逼近问题，但是他们之间也存在差异。 　　（1）网络结构不同。径向基网络只有一个隐层，而多层前馈神经网络的隐层可以是多层的，也可以是单层的。 　　（2）神经元模型不同。径向基网络的隐层和输出层激励函数，分别是基函数和线性函数。而多层前馈神经网络的隐层激励函数一般为非线性函数，输出层激励函数可以是非线性函数，也可以是线性函数。 　　（3）隐层激励函数计算方法不同。径向基网络基函数计算的是输入向量与函数中心的欧氏距离，而多层前馈神经网络隐层激励函数计算的是输入向量与其连接权值向量的内积。 　　（4）非线性映射的特性不同。由于它们所采用的隐层激励函数以及激励函数的计算方法不同，使得这2种网络的权值、阈值修正方式也不同。在径向基网络训练过程中，只有被激活的神经元才能修正权值和阈值，这种以指数衰减形式映射的局部特性被称为函数的局部逼近。多层前馈神经网络的训练过程，也是所有权值和阈值的调整过程，属于全局寻优模式。 　　2 白石水库大坝变形径向基神经网络模型 　　2.1 白石水库工程概况 　　白石水库位于辽宁省北票市上园镇附近的大凌河干流上，总库容16.45亿m3，是干流上唯一的大（I）型控制性骨干工程。大坝为混凝土重力坝，部分采用RCD碾压混凝土技术。最大坝高49.3 m，坝顶长513 m，分为32个坝段。水库1996年9月正式开工，1999年9月下闸蓄水。 　　2.2 大坝变形径向