論文翻譯BP神經(jīng)網(wǎng)絡(luò)模型在大壩變形監(jiān)測(cè)中的研究

1、BP神經(jīng)網(wǎng)絡(luò)模型在大壩變形監(jiān)測(cè)中的研究摘 要在本文對(duì)大壩變形監(jiān)測(cè)數(shù)據(jù)的分析中，改進(jìn)過的BP神經(jīng)網(wǎng)絡(luò)模型主要用來針對(duì)限制傳統(tǒng)的統(tǒng)計(jì)模型的方法。本文主要介紹了BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)和算法以及樣本數(shù)據(jù)的歸化。泰和水庫大壩模型的應(yīng)用表明，BP神經(jīng)網(wǎng)絡(luò)模型的精度優(yōu)于統(tǒng)計(jì)模型。關(guān)鍵詞：大壩變形監(jiān)測(cè) BP神經(jīng)網(wǎng)絡(luò)模型 歸化一 引 言為了準(zhǔn)確地模擬和預(yù)報(bào)大壩安全監(jiān)測(cè)，大壩原型觀測(cè)上有效而實(shí)用的模型的建立是很重要的，尤其在大壩聯(lián)合控制的安全運(yùn)行和輔助決策的制定方面。目前在國(guó)內(nèi)外有許多方法來模擬分析并預(yù)報(bào)大壩安全監(jiān)測(cè)，例如統(tǒng)計(jì)模型、確定性模型和混合模型。由于復(fù)雜的影響因素，傳統(tǒng)的數(shù)學(xué)原型觀測(cè)不能完全描述大壩安全監(jiān)

2、測(cè)的非線性映射關(guān)系，并取得令人滿意的結(jié)果。神經(jīng)網(wǎng)絡(luò)是由大量的簡(jiǎn)單計(jì)算處理單元（稱為神經(jīng)元）構(gòu)成的，它們之間又通過復(fù)雜的大型非線性自適應(yīng)系統(tǒng)進(jìn)行連接。它是通過連續(xù)或間歇性輸入狀態(tài)反應(yīng)來處理信息。有著高速和大規(guī)模并行處理，以及高維非線性動(dòng)力學(xué)特征和高度容錯(cuò)性等特點(diǎn)，神經(jīng)網(wǎng)絡(luò)很適合處理非線性問題。這就是為什么它被越來越多廣泛應(yīng)用在許多專業(yè)領(lǐng)域。神經(jīng)網(wǎng)絡(luò)應(yīng)用于大壩原型觀測(cè)，克服了傳統(tǒng)模式的局限性基本觀測(cè)線性和非線性方法，探索了新的建模和預(yù)報(bào)方法。二 BP神經(jīng)網(wǎng)絡(luò)模型輸入層輸出層隱層圖1：三層BP網(wǎng)絡(luò)模型結(jié)構(gòu)圖BP神經(jīng)網(wǎng)絡(luò)（反向傳播神經(jīng)網(wǎng)絡(luò)），也叫逆向傳播神經(jīng)網(wǎng)絡(luò)，是最廣泛使用的一種神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)

3、絡(luò)是一種典型的多層次網(wǎng)絡(luò)，包括輸入層，隱層和輸出能，它通常通過全聯(lián)通的方法進(jìn)行連接，每層的單元間沒有相互連接。圖1是一個(gè)典型的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。神經(jīng)網(wǎng)絡(luò)的基本處理單元（除輸入層單元）是非線性輸入輸出的關(guān)系，因此可以采用S型函數(shù)，它的輸出值在一個(gè)連續(xù)的范圍內(nèi)。BP模型實(shí)現(xiàn)了學(xué)習(xí)多層網(wǎng)絡(luò)的理念。當(dāng)給網(wǎng)絡(luò)一個(gè)輸入信號(hào)，它通過單位處理從輸入層傳輸?shù)诫[層，然后傳輸?shù)捷敵鰧?。在輸出層單元被處理后，它產(chǎn)生一個(gè)輸出信號(hào)，這是一個(gè)循序漸進(jìn)的更新過程，叫做預(yù)傳播。如果輸出響應(yīng)和期望輸出信號(hào)之間有一個(gè)偏差，則不能滿足要求。為了傳輸層與層之間連接路徑的偏差以及修改層之間的連接權(quán)，然后傳輸反向傳播的偏差。我們不斷

4、用一組給定的訓(xùn)練模式來逐一訓(xùn)練網(wǎng)絡(luò)，然后重復(fù)預(yù)傳播的過程，直到所有的訓(xùn)練模式滿足整個(gè)網(wǎng)絡(luò)的需要。然后我們才認(rèn)為BP神經(jīng)網(wǎng)絡(luò)已經(jīng)學(xué)習(xí)完成并且滿足需求。BP神經(jīng)網(wǎng)絡(luò)算法的流程在圖2可以看到。開始計(jì)算每個(gè)隱層單元的輸出給網(wǎng)絡(luò)提供學(xué)習(xí)模式初始化連接權(quán)值和閾值調(diào)整從輸入層到隱含層的連接權(quán)和每個(gè)單元的輸出在隱含層的閾值計(jì)算每個(gè)輸出層單元的輸出更新學(xué)習(xí)模式計(jì)算每個(gè)輸出層單元的一般化誤差調(diào)整從隱含層到輸出層的連接權(quán)和每個(gè)單元的輸出在輸出層的閾值計(jì)算每個(gè)隱層單元的一般化誤差結(jié)束所有訓(xùn)練誤差（或迭代次數(shù)）N更新學(xué)習(xí)次數(shù)結(jié)束圖2 ：BP算法流程圖NNYY三 案例研究A問題的說明需要泰和水庫大壩施工建設(shè)時(shí)期的滲流、應(yīng)

5、力、位移等參數(shù)，因此監(jiān)測(cè)儀器必須設(shè)立在大壩、副壩、導(dǎo)流洞等其他主要建筑物上。基于導(dǎo)流洞鋼筋計(jì)視準(zhǔn)線觀測(cè)，導(dǎo)流洞應(yīng)力的變化和兩個(gè)因素溫度和時(shí)間有著密切的聯(lián)系。傳統(tǒng)統(tǒng)計(jì)模型選擇溫度和時(shí)間作為可預(yù)報(bào)因子，并通過回歸進(jìn)行分析、計(jì)算。每個(gè)鋼筋計(jì)的多元回歸模型是： 。在這個(gè)公式中，是鋼筋計(jì)的應(yīng)力大小（兆帕），t是導(dǎo)流洞混凝土的澆筑時(shí)間，是日平均氣溫，是3天前的日平均氣溫，是7天前的日平均氣溫，是10天前的日平均氣溫，是30天前的日平均氣溫，b0、b1、b2、b3、b4、b5、b6、b7是回歸系數(shù)。多元線性回歸只能是模擬的線性系統(tǒng)，這就是為什么混凝土齡期的數(shù)據(jù)必須進(jìn)行預(yù)處理再回歸分析。神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的不經(jīng)

6、過數(shù)據(jù)預(yù)處理就能進(jìn)行非線性模擬的能力，因此觀測(cè)數(shù)據(jù)可以直接用來訓(xùn)練網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)可以根據(jù)網(wǎng)絡(luò)的權(quán)重進(jìn)行預(yù)報(bào)?？紤]到大壩原型觀測(cè)數(shù)據(jù)很強(qiáng)的非線性特點(diǎn)，在本文BP神經(jīng)網(wǎng)絡(luò)被用來模擬和預(yù)報(bào)泰和水庫大壩原型的觀測(cè)中，結(jié)果和多元回歸進(jìn)行了比較。B常規(guī)BP網(wǎng)絡(luò)訓(xùn)練在泰和水庫導(dǎo)流洞內(nèi)選擇一組觀測(cè)點(diǎn)，并隨機(jī)分為兩個(gè)部分：162個(gè)訓(xùn)練樣本用來網(wǎng)絡(luò)學(xué)習(xí)和培訓(xùn)，40個(gè)預(yù)測(cè)樣本通過輸入預(yù)測(cè)樣本到已經(jīng)訓(xùn)練過的網(wǎng)絡(luò)來計(jì)算預(yù)測(cè)偏差。每個(gè)樣本包含7個(gè)數(shù)據(jù)，其中6個(gè)觀測(cè)數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，分別為：、t；鋼筋計(jì)的應(yīng)力作為網(wǎng)絡(luò)的輸出。因此網(wǎng)絡(luò)結(jié)構(gòu)包括6個(gè)輸入層單元，8個(gè)隱層單元和1個(gè)輸出層單元。設(shè)置神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制參數(shù)如下：學(xué)習(xí)因

7、子為0.00001，動(dòng)量因子為0.1，偏差控制為0.00001，迭代次數(shù)為500000。使用上述的樣本來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)一般會(huì)得到以下結(jié)果：神經(jīng)網(wǎng)絡(luò)輸出的平均誤差是5.34，最大誤差是9.53。反復(fù)調(diào)整網(wǎng)絡(luò)的控制參數(shù)，結(jié)果并不令人滿意。通過分析我們認(rèn)識(shí)到網(wǎng)絡(luò)單元使用的數(shù)據(jù)很不一致，通過隱層單元疊加后將有更大的偏差，這就是為什么樣本數(shù)據(jù)必須要標(biāo)準(zhǔn)化。C訓(xùn)練樣本的標(biāo)準(zhǔn)化S型函數(shù)是。自變量和因變量都必須標(biāo)準(zhǔn)化。標(biāo)準(zhǔn)化公式如下：。訓(xùn)練時(shí)，每個(gè)變量的最大值和最小值都會(huì)被保留。預(yù)報(bào)完成后，預(yù)報(bào)結(jié)果一定要還原，還原公式是：。神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如下：6個(gè)輸入層單位，8個(gè)隱層單元和1個(gè)輸出層單元，學(xué)習(xí)因子為0.0

8、1，動(dòng)量因子為0.1，迭代次數(shù)為500000，網(wǎng)絡(luò)輸出的平均誤差為0.035，最大誤差為0.085。數(shù)據(jù)還原后最大誤差為3.6。標(biāo)準(zhǔn)化后網(wǎng)絡(luò)訓(xùn)練的結(jié)果有了顯著的改善。D結(jié)果分析與比較如上所述，具有相同結(jié)構(gòu)和參數(shù)的BP神經(jīng)網(wǎng)絡(luò)，我們使用兩套觀測(cè)數(shù)據(jù)進(jìn)行模擬和預(yù)報(bào)，然后使用多元回歸模型對(duì)結(jié)果進(jìn)行比較分析。表1顯示了兩種模型的相應(yīng)的應(yīng)力特征。表1：BP神經(jīng)網(wǎng)絡(luò)和回歸模型的結(jié)果比較模擬預(yù)報(bào)平均誤差最大誤差平均誤差最大誤差回歸1.2263.5781.1913.382BP神經(jīng)網(wǎng)絡(luò)1.1853.61.153.288BP神經(jīng)網(wǎng)絡(luò)模型和多元回歸模型的模擬結(jié)果由圖3所示。結(jié)果由圖4所示。預(yù)報(bào)誤差的比較由圖5所示。

9、圖3：模擬結(jié)果的比較 圖4：預(yù)報(bào)結(jié)果比較圖5：預(yù)報(bào)誤差的比較兩種模型的平均誤差和最大誤差非常接近，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)報(bào)能力略高于多元回歸模型，從圖標(biāo)變化來看也都基本符合測(cè)量數(shù)據(jù)，兩者的預(yù)報(bào)誤差也有著相同的趨勢(shì)。綜上所述，BP神經(jīng)網(wǎng)絡(luò)和多元回歸模型一樣，能反映鋼筋計(jì)的應(yīng)力影響因子的變化趨勢(shì)。和多元回歸模型相比，BP神經(jīng)網(wǎng)絡(luò)能更好地模擬大壩原型觀測(cè)。四 結(jié) 論1、從上述結(jié)果可以看出，BP神經(jīng)網(wǎng)絡(luò)模型和多元回歸模型的模擬精度是基本相當(dāng)?shù)模漕A(yù)報(bào)精度略高于統(tǒng)計(jì)模型。BP神經(jīng)網(wǎng)絡(luò)模型已經(jīng)適應(yīng)了大壩系統(tǒng)復(fù)雜性和巨大性的特點(diǎn)，他是一個(gè)具有良好應(yīng)用前景的數(shù)學(xué)模型。2、實(shí)際上，多元線性回歸模型是BP神經(jīng)網(wǎng)絡(luò)模型的一種簡(jiǎn)化形式。當(dāng)隱層被去掉并且輸出層的單元個(gè)數(shù)被設(shè)置成1時(shí)，一個(gè)三層BP網(wǎng)絡(luò)可以轉(zhuǎn)化為一個(gè)多元線性回歸模型。3、和多元線性回歸模型相比，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)報(bào)因子不需要做線性預(yù)處理（如指數(shù)、對(duì)數(shù)等）以及樣本觀測(cè)數(shù)據(jù)的直接非線性映射。標(biāo)準(zhǔn)化后樣本觀測(cè)數(shù)據(jù)可以直接用來訓(xùn)練網(wǎng)絡(luò)。4.、BP神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵在于模型的訓(xùn)練。目前模型的訓(xùn)練時(shí)間很長(zhǎng)，為決定一些參數(shù)值和特征值需要反復(fù)嘗試，并且它需要很多重要的經(jīng)驗(yàn)因素。模型參數(shù)值有待進(jìn)一步研究。參考文獻(xiàn)【1】吳中如，等水工建筑物安全控制理論及其應(yīng)用南京：河海大學(xué)出版社，1990【2】焦李成神經(jīng)網(wǎng)絡(luò)的應(yīng)用與實(shí)踐西安：西安電子科