改进BP 神经网络模型在某重力坝变形监测中应用.docVIP

改进BP神经网络模型在某重力坝变形监测中的应用 周光文1,2. 董建良2. 陈亮亮2. (1．中国矿业大学北京校区，北京，100083；2．南昌大学建工学院，江西南昌，330029．） 摘　要：针对传统的数学模型方法的不足，本文通过对BP网络模型的研究，建立BP神经网络预测模型，并使用MATLAB语言编程加以实现。将模型应用于某重力坝实测变形监测数据的分析和预测，发现其预报精度较以往统计模型有较大提高。 关键词：BP模型；变形监测； 1 引 言 建立有效实用的大坝原型观测模型，正确地模拟和预测大坝安全监测量，对馈控大坝的安全运行和辅助决策具有十分重要的意义。目前国内外大坝安全监测中主要采用数学模型(统计模型、确定性模型和混合模型)来进行模拟分析和预测预报。数学模型属于显示函数形式，能够进行预测分析，并能对模型中的各分量进行物理解释，是大坝原型监测资料分析领域最成熟的方法，但是，数学模型在一定程度上统计特性，建立在观测误差的数学期望全为零、各次观测互相独立以及观测误差呈正态的假定前提下，因此其模型精度在很大程度上取决于建模因子的选择是否恰当，这样就造成在进行预测分析时，有时会出现预测效果不好，偏离发展趋势等问题。 人工神经网络(Artificial Neural Network缩写为ANN)是由大量简单的处理单元广泛地相互连接而成的复杂网络系统，具有高度的并行处理，联想记忆，良好的自适应和自组织能力，它无需人们预先确定系统的模型，而是以实验或实测数据为基础，经过有限次的迭代计算，根据系统输入和输出找到它们之间的非线性关系，从而获得一个反映实验或实测数据在内规律的数学模型，因此，运用ANN能很好实现大坝安全监测的建模和预报功能。 2 BP神经网络模型原理 BP神经网络按拓扑结构分，属前向网络，但它采用的是反向传播的学习方法，故又称为反向传播神经网络(Back-Propagation Neural Network)，简称为BP网络。 BP模型是一种多层感知器结构，由若干层神经元组成，除输入层和输出层外，包括一个或多个中间隐含层。一个具有3个输入和一个隐含层的BP网络模型结构如图1。 图1 BP网络模型结构图 BP网络各层节点之间全部互相连接，同层节点之间不连接，每层节点的输出只影响下一层节点的输出。BP算法的主要思想是：对于n个输入学习样本已知与其相对应的输出样本学习的目的是用网络的实际输出与目标矢量之间的误差来修改其权值，使与其期望的尽可能的接近。即：使网络输出层的误差达到最小，它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和阀值的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层的。 3 BP神经网络模型改进 标准梯度BP算法解决了多层前向人工神经网络的训练问题，在实际应用中有着重要的意义，但也存在一些不足，其主要表现在： (1) BP算法的收敛速度比较慢，一般需要成千上万次的迭代计算； (2) 系统训练可能不稳定； (3) 目标函数可能陷入局部极小值； (4) 网络隐含层神经元数目的选取和连接权W初值的选取，往往靠经验。 另外新加入的样本要影响到已学习完的样本，还有一些理论上的问题，如网络的收敛性与结构之间的关系。 3.1 附加动量法 针对收敛速度慢、系统训练不稳定及可能陷入局部极小等问题，通常的改进方法是采用附加动量法。测绘信息网/ 该方法是在反向传播法的基础上在每一个权值及阀值的变化上加上一项正比于前次权值变化量的值，并根据反向传播法来产生新的权值及偏差变化。隐含层从第i个输入到第k个输出带有附加动量因子的权值调节公式为： (1) 其中：为训练次数，为学习速率，为动量因子，为附加动量项。利用附加动量法可以平滑梯度方向的剧烈变化，增加算法的稳定性。 其它带有附加动量因子的权值及阀值调节公式类似于式(1)。 3.2 自适应学习速率 选择适当的学习速率，能加快网络的训练速度，增加网络学习的稳定性。但网络在学习训练的过程中对学习速率的要求可能是不一样的，对训练初期功效较好的学习速率，不见得对后来的训练适合。为此，我们可以在网络的训练过程中采用自适应的学习速率。 通常，调节学习速率的准则是：检查权值的修正值是否真正降低了目标函数，如果却是如此，则说明所选取的学习速率小了，可以对其增加一个量；反之，就应该减小学习速率的值。下面是一种自适应学习速率的调整公式： (2) 针对BP算法的改进，通常是将这两种方法结合起来，形成自适应学习速率动量梯度下降法，常常有较好的效果。测绘信息网/ 4改进BP神经网络的Matlab程序编制 一般地，应用Matlab7.0编制BP神经网络计算程序，可按下面的这些步骤进行： 1．综合分析所要研究的领域问题，初步确定网络的模型结构，包括输