BP神经网络在斜拉桥施工监控中应用.docVIP

BP神经网络在斜拉桥施工监控中应用 　　[摘 要] 以信江斜拉桥为工程背景，运用BP神经网络算法，将影响梁段标高变化的因素作为输入样本，实测标高变化作为输出样本对BP神经网络进行训练，利用BP神经网络具备输入参数与输出参数之间的非线性映射关系的特点对标高 　　变化作出预测，计算结果表明BP神经网络在大型斜拉桥施工监控中的应用具有可行性。 　　[关键词] 斜拉桥 施工控制 BP 神经网络 标高预测 　　人工神经网络(ANN)具有非线性映射能力、自学习适应能力、联想记忆能力、并行信息处理方式及其优良的容错能力，这些特点使得神经网络非常适应于复杂系统的建模与控制。其中BP(Back-Propagation)神经网络是人工神经网络中最具代表性和广泛应用的一种，其结构简单，可操作性强，能模拟任意的非线性输入输出关系[1]。大跨径斜拉桥的施工监控系统是一个复杂的系统，而且影响施工监控的因素具有不确定性，因此将人工神经网络用于大跨径斜拉桥施工监控中的施工梁段的标高变化进行预测具有可行性。 　　1、BP神经网络及其算法 　　1.1BP神经网络 　　BP神经网络是由许多简单的神经元广泛地互连而形成的复杂系统。一般的神经网络的组成[2]：①处理单元（神经元）：包括输入层的处理单元和隐层和输出层的处理单元；②连接权重：其作用是将神经网络中的处理单元联系起来，其本身的数值是随各处理单元的连接程度而相应变化的；③层：神经网络一般具有输入层、隐层和输出层；④阈值：阂值的作用是使网络能更自由地获取所要描述的函数关系；⑤转移函数：转移函数通常为非线性函数。BP网络的学习过程包括两部分组成，由模式的正向传播和误差反向传播所组成。这种神经网络模型的特点是：网络除输入层与输出层节点外，有一层或多层的隐层节点，同层节点间没有任何耦合，输入信号从输入层节点，依次传过各隐层节点,最后传到输出层节点，每一层节点的输出仅影响下一层节点的输出。 　　1.2BP神经网络学习算法 　　BP学习的过程归纳起来为：“模式顺传播”――“误差逆传播”――“更新权、阈值”。 　　①模式顺传播:通过网络输入向前传播,由于多层网络中某一层的输出成为下一层的输入,可描述为：om+1=fm+1(wm+1om+bm+1) 　　式中：m为网络层数；w为m+1层与m层连接权系数；b为m+1层与m层连接阈值。 　　②误差逆传播:通过敏感性反向传播误差,可描述为：ei=f′(netbi)∑qj=1wijδj 　　式中：netb为对应该层的运算函数输入值；w为连接权系数；δ为误差值。 　　③更新权、阈值：利用最速下降法更新权值和阈值： 　　w(e+1)=w(e)+Δw(e) 　　b(e+1)=b(e)+Δb(e) 　　式中：e为连接权系数和阈值迭代次数；Δw(e+1)为第e次迭代时，连接权系数偏置值；Δb(e)为第e次迭代时，误差阈值。重复执行BP学习过程，当目标值实际输出的偏差达到要求或训练达到一定次数时，学习过程结束,储存此时的权、阈值,为预测仿真提供权、阈值。 　　2、BP神经网络的不足及其改进 　　2.1BP神经网络存在问题 　　BP神经网络利用许多具有简单处理能力的神经元的复合作用，使网络具有复杂的非线性映射能力，而没有反馈的能力。同时BP算法计算过程中还存在如下问题[3]： 　　⑴原始数据的非线性规格化：大多数BP神经网络模型以S形函数作为转换函数，该函数的值域为[0，1]，因此在网络训练时要将原始数据规范到[0，1]区间，通常采用标准的归一方法来实现。但是规范后的每个输出的教师值序列中至少有一个值为0，一个值为1，恰好是S形函数的极小值和极大值，要求联接权足够大才能使网络的输出值与其匹配，,从而需要相当多的训练次数来不断修正权值，导致训练速度缓慢。为避免这种现象，将教师值进行线性规范化至某一区间内，按式：y′=y／?zymax+ymin?{进行处理。这样做可以加快网络学习速度。但是，在进行预报时，由于预报值y′≤1，即：y／?zymax+ymin?{≤1，反规格化后得y≤ymax+ymin。由上式可知，预报值被人为限定在某一数值范围内，这无疑会大大限制BP模型预测能力的发挥。 　　⑵初始权值、阈值：收敛速度慢、迭代时间长是BP神经网络模型的主要问题之一。通过大量应用实践发现，BP神经网络的初始权值、阈值虽然在理论上可以随意选取，但其选取方法却对BP神经网络算法的收敛速度有很大影响。 　　⑶参数选择：影响BP模型建模效果的参数较多，如隐含层的单元数、学习率η、惯性冲量μ等。这些参数的选取并无公式可循，且随着所研究问题的不同参数值也变动较大，因而常常需要经过繁杂的手工调试及量的对比分析后才能得出一组最理想的参数值。 　　2.2改进措施 　　针对BP