基于EPSO-NN模型的大坝安全监控数据处理.pdfVIP

第 32卷第9期 人 民 黄 河 VO1．32．NO．9 2010年 9月 YELLOW RIVER Sep．，2010 【水利水 电工程 】 基于 EPSO—NN模型的大坝安全监控数据处理 荆 凯 ，徐 波 一，王佳林 ，许后磊 ’ (1．河海大学 水文水资源与水利工程科学国家重点实验室，江苏 南京 210098； 2．河海大学 水资源高效利用与工程安全国家工程研究中心，江苏 南京 210098) 摘 要：针对大坝安全监控神经网络模型中选入因子较多，使网络权值的计算成为高维问题，提 出将粒子进化 一多粒子 群优化算法应用到人工神经网络，建立了EPSO—NN模型。该方法改善 了BP神经网络 易陷入局部极值和解不稳定的 缺点。通过工程实例表明：EPSO—NN模型收敛速度快，求解稳定，预测精度比最小二乘回归和BP—NN高。 关 键 词：粒子群优化算法；粒子进化；神经网络 ；大坝安全监控 中图分类号：TV698．1 文献标识码 ：A doi：10．3969／j．issn．1000—1379．2010．09．048 建立大坝安全监控模型要考虑上下游水位 、温度 、时效 、降 粒子在寻优过程中通过 自身最优解 P 和全局最优解 G，利用 雨量等诸多因素 ，从而使所建立的模型成为非线性问题，BP 以下两式来不断更新 自己所在位置和飞行速度： “ 神经网络 (BP—NN)解决了统计模型、混合模型和确定性模型 = +clrl( 一 )+c2r2( 一 ) (2) “ 对非线性问题处理能力有限的缺点 。但是BP神经网络采用 = + (3) 梯度下降法计算各个连接权系数和阈值时容易陷入局部最小 式中：09为惯性权重，为改善寻优效果， 选用 [0．4，0．9]动态 值，并且收敛速度慢。 的线性递减权值；c。、c为学习因子，取值范围为 [04]；、re为 粒子群优化算法 (ParticlesSwarm Optimization，PSO)虽 [0，1]区间的随机数；p为迭代的次数。 然有收敛速度快 、鲁棒性好、全局搜索能力强的特点，但是将其 通常，为防止粒子飞行速度过快而错过最优解 ，要根据实 引入到大坝安全监控神经网络中优化权值系数时，因选人的因 际情况设定一个最大飞行速度 ，把 控制在区间[一 ， 子较多，其计算属于高维问题，故导致算法出现 “早熟”问题；在 ]。给每个粒子的 和 随机赋以[一1，t]区间的随机数 搜索全局最优解的过程中，又会出现 “趋同”现象 ，使后期收敛 后，通过式 (2)和式(3)进行迭代求解，当达到一定的精度要求 速度减慢；因粒子的初始位置 、速度是随机设定的，故其稳定性 或者预设的迭代步数时，算法停止。 较差。粒子进化一多粒子群优化算法 (ParticlesSwamr Optimi— 2 EPSO算法理论 zationbasedonParticleEvolution，EPSO)是对标准PSO算法的改 进，它应用于大坝安全监控神经网络模型可在一定程度上解决 随着研究的不断深入 ，PSO算法显现了