BP神经网络预测模型在高铁沉降预测中的应用_厉东伟.docx

192测绘通 报2013 年增刊文章编号: 0494-0911( 2013) S0-0192-03中图分类号: P258文献标识码: BBP 神经网络预测模型在高铁沉降预测中的应用厉东伟1 ，陈冉丽2( 1． 中国矿业大学 环境与测绘学院，江苏 徐州 221116; 2． 石家庄铁路职业技术学院测绘工程系，河北 石家庄 050047)摘要: 目前我国正在大力发展高速铁路，特别是铁路客运专线，客运专线速度一般在 250 km /h 以上，其速度快、安全性要求高，对铁路的平顺性要求高。因此，高铁沉降预测是目前研究的热点，其中，BP 神经网络是一种重要的预测模型。通过实测数据建立基于 BP 神经网络的高铁沉降预测模型，并比较几种常用曲线拟合模型与 BP 神经网络模型的精度，分析 BP 神经网络模型精度，验证其是否达到高铁沉降预测规程及优缺点。关键词: 高速铁路; 沉降变形; 预测模型; BP 神经网络一、引言目前兴建高速铁路方兴未艾，而技术进步更是日新月异。轨道的高平顺性是保障列车高速、平稳运行的基本条件，而控制路基沉降，是高速铁路路 基设计和施工的重要内容［1-2］。客运专线所采用的 无砟轨道对线下结构提出了很高的要求，因此对线 下结构的沉降变形的研究是这方面学者正致力完 善的领域［3-4］。国内外沉降预测的方法较多，总的来说可以分 为 3 类: 经典的分层总和法、基于固结理论的数值计算法和曲线拟合法。较常用、较为成熟的几种曲线拟合沉降预测方法有双曲线法、拓展双曲线法、三［5］，点法、Asaoka 法等 。20 世纪以来 随着神经生物 学的发展，神经网络也在这种发展中应运而生。学者们在对人类大脑里有关信息处理的基本方法的 研究中，发现并发展出模拟该方式的模型，该模型 就是神经网络。二、BP 神经网络BP 网络是 1985 年被提出来的，经过短短二十几年的发展，目前在预测方面，已经成为应用广泛、预测效果较理想的模型。BP 网络是一种多层前向神经网络，由于在权值的改进中采用误差反向传播 ( back propagation，BP) ，所以简称为 BP 神经网络［6］。1． 网络模型BP 神经网络中有着非常多数量的神经元，同时作为一种多层向前神经网络，其网络结构有自身的特点，图 1 是 BP 神经网络的模型，从图 1 可知:1) 网络包含有多个层级，如最前面的是输入层，最后的是输出层，中间的是隐含层，其中的隐含层可以有多层的结构构造。2) 同层的各节点互相之间是没有联系的。3) 输入信号的传递是单方向的，只能向前传播，即依次经过各隐含层，最后传递到输出层。图 1BP 神经网络模型2． BP 算法BP 神经网络模型的学习过程由两部分组成，分别是正向传播和误差反向传播。正向传播就是对 预测数据进行计算处理的过程，层级的顺序为输入 层-隐含层-输出层; 误差反向传播是一个误差的传 播的处理过程，层级的顺序为输出层-隐含层-输入 层，误差信号在这个路程中不断地进行调整和修 正，当误差达到规则设置的精度要求时误差的修正 才停止。具体来说，BP 神经网络学习算法如下:设有 k 个学习样本，第 l( l = 1，2，…，k) 个样本 有输入( xl1 ，xl2 ，…，xln ) 和期望输出( tl1 ，tl2 ，…，tln ) ， 对于神经元节点 j 的输入为nnetlj = ∑Wji Qli + θj( 1)i =1三、BP 神经网络的高铁沉降预测模型本文在基于 BP 神经网络的高铁沉降预测模型作者简介: 厉东伟( 1987—) ，男，浙江天台人，硕士，主要从事工程测量、变形监测等方面的研究。2013 年增刊厉东伟，等: BP 神经网络预测模型在高铁沉降预测中的应用193建立中，采用 Matlab 建模。具体包括训练样本准 备、初始权确定、隐含层节点的确定和预测。在预 测模型建立过程中，关键的步骤在隐含层节点的确 定上。隐含层节点的确定可以直接影响预测的准确 性。而隐含层节点主要应考虑两个方面: ① 隐含层 的层数; ② 单层隐含层中的节点数。确定隐层节点数的经验公式如下m = 槡n + l + a( 2)式中，m 为隐层节点数; n 为输入节点数; l 为输出层 节点数; a 为 1 ～ 10 之间的常数。本文在隐层节点数的选项上采用了常用且效 果较好的方法———穷举法。首先通过经验法得出 大致的范围，之后通过不断地调整隐层节点数带入 预测，得到对应的预测量，并比较预测量与实测数 据，最终得出较合适的隐层节点数。即首先采用式( 2) ，计算得到的隐层节点数在 8 附近，通过计算，分别对 8 ～ 12 为隐层节点数的 15组数据进行预测，其预测结果见表 1。从表 1 中可 以看到隐层节点数为 12 个和 8 个的情况下，预测值 与实测值之间的偏差较