变形监测课件之八变形监测数学模型及应用.ppt

人工神经网络是一种用计算机模拟生物机制的方法，它不要求对事物机制有明确的了解，系统的输出取决于系统输入和输出之间的连接权，而这些连接权的数值则是通过训练样本的学习获得，这种方式对解决机理尚不十分明确的问题特别有效。 由于引起大坝变形等的因素十分复杂，再加上各工程的具体条件千差万别，许多理想条件下的理论模型很难应用于实际，确定性的模型需随着时间和地点的改变而不断修改模型的参数甚至模型的结构，因而失去了模型的普遍性。在这种情况下，以实测资料为基础的神经网络无疑是一种有效的途径。 * * BP算法存在的主要问题 收敛速度慢 在建立模型时，网络的训练往往需要很长的时间，这对建立大批量测点模型十分不利，收敛速度慢只在建立模型时表现得突出。 存在不少局部最小点 从数学上看，BP可看作非线性的梯度优化问题，因此，不可避免地存在局部极小问题，从而造成网络完全得不到训练。另外，初始随机加权的大小，对局部最小的影响也很大，如果这些加权太大，一开始就可能使网络处于S形函数的饱和区，则系统有可能陷入局部最小。 * 隐含结点个数难以确定 目前，网络的隐含结点个数的选取尚缺少统一而完整的理论指导，分析人员只能凭经验或通过多次试算确定隐含层结点的个数。由于不同问题所需要的隐含层结点数有较大的差异，因此，这种选择方法存在明显的盲目性。实践经验表明，过多或过少的隐含层结点数对网络训练结果都是不利的。 计算参数选取困难 在开始网络训练时，需要设定迭代步长和惯性系数，这些参数目前尚无明确的理论计算公式，分析人员一般根据自己的经验选取。当这些参数选取不当时，会引起网络振荡甚至导致网络麻痹而不能收敛，从而不能得到计算结果。 * 关键问题 在神经网络建模过程中，应合理地确定隐含层神经元的数量，过少的隐含层神经元数量将严重影响模型的预测精度，过多的隐含层神经元数量，不仅大大增加计算工作量，而且使模型的表面精度提高，而使模型的粗差检验能力降低，这对监控模型是十分不利的。因此，在实际工作中，应根据具体情况，经训练样本多次试算后，再确定隐含层的神经元数量。 * 灰色动态神经网络模型 * 输入层优化 根据监测物理量的影响分析，确定模型的因子集 利用灰色关联分析方法，对因子集中的各因子与监测物理量进行关联分析，计算各因子与监测量之间的关联系数，确定因子关联序 根据关联序和工程实际情况确定输入层的因子和个数 * 网络学习 设输入层结点个数为n，输出层结点个数为m，隐含层结点个数为n0，并设有N个样本（xk，yk）（k=1，2，…，N），xk∈Rn，yk∈Rm的样本集为S1，xk为输入，yk为其预期相应的输出；另有M个样本（x’k，y’k）（k=1，2，…，M）的样本集S2。 * 学习过程 （1） 初始化f1=1，f2=1； （2） 根据样本S1学习得权矩阵W； （3）由S2验证权矩阵W，若正确，则f1=1，否则，f1=0； （4）根据样本S2学习得权矩阵W； （5）由S1验证权矩阵W，若正确，则f2=1，否则，f2=0； （6）若P(f1∧f2)=1，则计算结束，否则，增加L个隐含结点，转(2)。 * * 8.2 统计模型的建立 * 定义 是指从数理统计的理论出发，对建筑物的变形量与各种作用因素的关系，进行大量的试验和观测后，寻找出它们之间的规律性的处理变形监测资料的方法，它是变形监测资料分析中常用的方法。 用此法建立起来的数学模型称为统计分析模型。 * 一元线性回归分析 定义： 是利用回归分析确定两个互为线性关系的变量间相互关系的方法。 一元线性回归的数学模型： * 回归方程： 评价回归方程好坏用相关系数?，?越接近于1，方程越有效。 一元线性回归分析 * 多元线性回归 在实际工作中，建筑物的变形是比较复杂的，是由多种因数的影响而产生的综合反映。 建筑物的变形量与作用因子间通常并不完全是线性关系。 仅用一元线性回归分析，在实际工作中不能完全解决问题，更主要的是利用多元回归的方法进行处理。 * 多元线性回归 数学模型表达式： 在最小二乘原理下，利用间接平差方法列出方程式，求解出待定系数： * 多元线性回归 回归方程： 回归方程的精度估计 * 考察多元回归方程的回归效果，据复相关系数R来判断。 ?多元回归分析中，遇到各变量之间的相互关系关系不是线性时，可先进行变量代换，把它们线性化，进而就可进行多元回归分析。 多元线性回归 * 方差分析与逐步回归原理 * 总体思想 利用回归分析方法可对建筑物变形监测资料进行处理，但在处理时，回归方程河宜的数学模型在开始时不可能完全确定下来，因此在回归开始时，只能根据经验或对变形量进行某数学力学的分析后建立一个初步的回归方程模型，然后利用方差分析原理对各个因子进行显著性的统计检验