PSO-BP神经网络在城市基础设施安全监测中的应用.ppt

假如我们将神经网络用于变形分析预测，同样需要做类似的训练 * 神经网络的模型有很多种，其BP神经网络是发展最为迅速，应用最为广泛的一种， 也就是在训练过程中，。。。 * 这是一个典型的三层BP神经网络结构， * * 针对BP神经网络存在的缺陷和不足，很多学者提出了不少改进方法，将粒子群算法与神经网络相结合就是其中一种 * 首先了解一下什么是粒子群算法，粒子群算法是从鸟类的群体行为中得到启发而提出的一种智能优化算法。。。 * 那么怎样将粒子群算法与神经网络模型相结合呢？ 我们知道BP神经网络的学习过程就是神经元的阈值以及神经元之间的连接权值的调整更新过程， 因此可以。。。 * 这是基于粒子群的BP神经网络的算法流程。。。 * 模型建立后，我们对传统BP神经网络以及PSO-BP神经网络模型的性能进行了测试 * 测试表明：PSOBP神经网络相比于传统BP神经网络，在运算效率和精度方面都有了明显改善，说明算法的改进是有效的 * 我们将模型在实际工程中也进行了应用，下面以重庆国际博览中心为例进行说明 * 像这样的大型场馆，确保其结构稳定和安全十分重要，因此我们在场馆内布设了自动监测传感器对其进行监测 * 这是在我们的监测平台中国博的平面布点图，显示了监测点的类型和位置分布，监测类型包括。。。 我们选取其中一个静力水准点对结构的挠度变形进行分析 * 这是该点从2014年5月至2016年3月的高程及温度监测数据，每月选取一期数据，共22期 我们将。。。 * 分别采用传统BP和PSO-BP模型进行训练和预测。。。 为了减小由于网络偶然误差的影响。。。 * 这张图更加直观的展示了两种模型的输出结果与实测值的对比情况， 可以看出PSO_BP模型的输出值与实测值更加贴近，精度更高 * 前面我们分析了PSO_BP模型在变形预测中的应用，其实质就是模拟变形因素与变形量之间的关系来达到预测的目的 那我们能不能利用神经网络分析单个变形因素与变形量之间的关系呢？ * 首先我们来看结构挠度与温度之间的关系 从图上可以直观的看出两种数据的变化规律很类似，那它们之间是不是存在这样一个正相关的关系呢 * * 下面我们再分析挠度与时间的关系 这种方法能够分析单个影响因素与变形量之间的关系，便于发现变形规律，解释变形产生的原因 * 以上我们通过一个工程实例介绍了模型在变形预测以及变形分析方面的应用， 安全监测工作是包含从数据采集，传输、处理及展现等环节的系统工作，变形分析是其中的一部分 为了将我们的模型在工程实际中推广应用，离不开一个强有力平台作为支撑 因此，我们团队搭建了一个城市基础设施安全监测云平台，下面对我们的 * 平台建设的整体思路是：以物联网、云计算等技术为支撑，搭建从监测数据采集，传输，分析，评估到信息发布的一体化安全监测方案，面向管理部门，业主单位，监测单位，社会公众提供专业化服务。 * 这是我们监测平台的首页 * 这是我们构建的PSO-BP神经网络在平台中的应用情况 * 当然，平台除了神经网络分析，还提供了其他多种分析方法，例如。。。 满足不同的数据分析要求 * 应用效果良好 * 最后，简单总结以下我们所做的工作。 * 后期，我们将继续完善优化我们的平台，以更好的为城市基础设施安全监测服务 * 以上就是我汇报的全部内容，感谢各位专家！ * 理论分析 算法流程 理论分析 误差阈值 迭代上限 评价指标 BP模型 PSO-BP模型 0.0005 100000 收敛成功率 82% 100% 平均迭代次数 40718 481 预测中误差 0.145 0.054 0.0003 100000 收敛成功率 46% 100% 平均迭代次数 75643 1683 预测中误差 0.142 0.041 0.0001 100000 收敛成功率 0% 100% 平均迭代次数 —— 13792 预测中误差 —— 0.037 性能测试 理论分析 运算效率高 预测精度高 性能测试 工程应用 工程应用 重庆国际博览中心位于重庆两江新区，是一座集展览、会议、餐饮、演艺、赛事等多功能于一体的现代化智能场馆。 总面积60万平方米，共16个展厅，结构跨度大，受力复杂。 工程概况 工程应用 监测类型： 应力应变 静力水准 温度 风速风压 工程概况 PS06 工程应用 实验数据 序号 监测时间 时间间隔/天 温度/℃ 高程/m 挠度/mm 基准值 2014/05/23 0 26 *7.1871 0 1 2014/06/03 11 27 *7.1857 -1.4 2 2014/07/01 39 31 *7.1921 5.0 3 2014/08/02 71 30 *7.2017 14.6 4 2014/09/02 102 27 *7.2025 15.4 5 2014/10/0