在大坝位移监测中的应用.pdfVIP

( ) 第34 卷　第 12 期 西北农林科技大学学报 自然科学版 . 34 . 12 V o l N o 2006 年 12 月 . . . . ( . . . ) . 2006 Jou r o f N o r thw e st Sci T ech U n iv o f A gr i an d Fo r N at Sci E d D ec RBF 神经网络在线学习方式及其 在大坝位移监测中的应用 1 2 2 王德文 , 李智录 , 卢瑞章 ( 1 陕西省河务水库管理站, 陕西 西安 7 10004; 2 西安理工大学 水利水电学院, 陕西 西安 7 10048) 　　[摘　要]　针对 目前RB F 神经网络训练算法存在的问题, 提出了一种模拟人类学习方式的自动调整隐层节点 数的在线训练方法, 对其理论依据进行了分析, 并用实例对其进行了验证。结果表明, 此种学习方法速度快、拟合精 度高、新旧知识均可记忆, 克服了以往算法的不足, 具有很大的实用性。 [ 关键词]　RB F 神经网络; 在线训练; 大坝位移监测; 径向基函数 + ( ) [ 中图分类号]　TV 698. 1 1 　　　　[ 文献标识码]　A [ 文章编号]　167 19387 2006 　　近年来, 神经网络在各种系统中的应用越来越 1　RB F 神经网络局部特性的测试 广泛, 但同时也凸现出一些缺陷, 如不能像人的神经 那样实时学习新的东西。神经网络在实际应用中均 为加深对RB F 神经网络的了解, 特对其局部特 ( ) 性进行简单测试。本次测试采用黑河金盆水库大坝 采用离线训练 学习 方法, 即训练的过程被分为几 个独立的阶段: 首先收集样本, 然后采用某种方法进 的位移监测数据, 全部数据进行统一训练, 网络最终 行聚类, 最后循环校正网络权值。这种方法虽然可以 建立了11 个隐层节点, 其预报值与原测量值非常接 ( ) 满足某些简单应用的需要, 但仍存在很多问题, 如果 近 图1 。然后依次去掉网络中1 个节点再做输出计 系统是时变的, 则不可能事先收集到完整的样本; 即 算, 结果见图2 和图3 (实际测试中共依次去掉6 个节 ) 使系统不是时变的, 一般要收集完整的样本也是很 点 。由图2 和图3 可知, 每次去掉1 个节点后只有部 困难的[ 13 ] 。比如在大坝监测中, 由于大坝性态的复 分数据受到影响, 也就是说只有此节点所代表的模