遗传优化的BP网络预测路基沉降.pdfVIP

102 低 温 建 筑 技 术 2010年第 8期(总第 146期) 遗传优化的BP网络预测路基沉降 郭亚宇 ，孙立功 ，苏兆仁 (1．陕西铁路工程职业技术学院。 陕西 渭南 7140OO；2．兰州交通大学土木工程学院。 兰州 730070； 3．中交一航局第--3-程有限公司。 辽宁 大连 116001) 摘【 要】 针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点，提出了基于遗传优化的BP 神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传 统的BP神经网络预测模型对比，结果表明遗传优化的BP神经网络在路基沉降预测中精度最高，适宜广泛采用。 【关键词】 BP神经网络；遗传优化；沉降预测；路基 【中图分类号】 TU473．2 【文献标识码】 B 【文章编号】 1001—6864(2010)08—0102—03 目前，计算沉降量与时间关系的方法有三大类…。第 在选择样本时一般要求样本数量足够。根据经验，样 一 类为经典的分层总和法，也是规范推荐的方法。第二类 本数量一般不少于2倍的输入信息个数 】。收集36个观测 为数值计算方法。这两类方法在理论上都是合理可行的， 断面的沉降观测数据，选取其中27组数据作为神经网络的 但这两类方法所涉及的计算参数必须通过试验获得。取样 训练样本 ，其余9组数据作为检验样本。限于篇幅这里仅列 过程中土样不可避免的会产生扰动，特别是对高灵敏度的 出9组检验样本，如表 1所示。由于网络的输人参数量纲存 软土来说，扰动将导致试验得出的参数与土的实际参数相 在不一致 ，首先将原始数据进行归一化处理，使数据全部转 差甚远 ，根据这种试验参数计算 的变形量与地基土层的实 换到0—1之间。在网络仿真结束后 ，对输出值进行还原。 际变形量常常不相符合。这种情况下，第三种方法通过现 对于地基处理方式属定性变量，此处地基不处理赋值为 1， 场实测资料来推算沉降量与时间的关系就显示出了它独有 砂井处理赋值为2，粉喷桩处理赋值为3。 的优势。这类方法有很多种，如指数曲线法、双曲线法、灰 色预测法和神经网络法等。大量研究表明BP神经网络在 表 1 检验样本数据 路基沉降预测中有广泛的应用，且预测精度较高。但也存 在一些缺陷和不足。主要表现在：①BP网络学习收敛速度 太慢，网络的学习记忆性具有不稳定性；② 网络隐含层数、 隐含节点数和学习参数较难确定；③BP算法是一种梯度下 降法，有可能产生局部最优而不能得到全局最小值的现象。 针对 BP神经网络存在的三个问题，提出了基于遗传优化的 BP神经网络预测方法。 1 改进模型的建立 1．1 层数的选择 Lippmann证明三层神经网络可以用来处理突区域上的 模式识别问题 J。Huang和Lippmann用仿真试验证明了三 层神经网络可以处理几种特别复杂的模式识别问题 j。对 于BP神经网络还有一个非常重要的定理，即对任何在闭区 间内的一个连续函数都可以用单隐层的BP网络来逼近，一 1．4 隐层设计 个三层的BP网络可以完成任意n维到m维的映射 J。因 隐层设计最重要的就是神经元节点数的设计。隐层神 此文中采用具有一个隐层的三层 BP网络。 经元节点数太多，会导致网络学习的时间过长，误差也不一 1．2 输入输出层设计 定会最小，同时还可能会导致网络的容错性差；若隐层神经 软土路基沉降的内在规律复杂，影响因素较多，各种因 元结点数太少，则会使学习在局部最小中搜索，从而不能求 素与软土路基沉降之间存在一种复杂的非线性关系。研究 得可靠的结果 ]。关于神经元节点数的选择，很多学者做 表明 地基处理方式、土层厚度 、压缩模量、路堤高度、施工