1、BP神經網絡模型在大壩變形監測中的研究摘 要在本文對大壩變形監測數據的分析中，改進過的BP神經網絡模型主要用來針對限制傳統的統計模型的方法。本文主要介紹了BP神經網絡模型的結構和算法以及樣本數據的歸化。泰和水庫大壩模型的應用表明，BP神經網絡模型的精度優于統計模型。關鍵詞：大壩變形監測 BP神經網絡模型 歸化一 引 言為了準確地模擬和預報大壩安全監測，大壩原型觀測上有效而實用的模型的建立是很重要的，尤其在大壩聯合控制的安全運行和輔助決策的制定方面。目前在國內外有許多方法來模擬分析并預報大壩安全監測，例如統計模型、確定性模型和混合模型。由于復雜的影響因素，傳統的數學原型觀測不能完全描述大壩安全監

2、測的非線性映射關系，并取得令人滿意的結果。神經網絡是由大量的簡單計算處理單元（稱為神經元）構成的，它們之間又通過復雜的大型非線性自適應系統進行連接。它是通過連續或間歇性輸入狀態反應來處理信息。有著高速和大規模并行處理，以及高維非線性動力學特征和高度容錯性等特點，神經網絡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用在許多專業領域。神經網絡應用于大壩原型觀測，克服了傳統模式的局限性基本觀測線性和非線性方法，探索了新的建模和預報方法。二 BP神經網絡模型輸入層輸出層隱層圖1：三層BP網絡模型結構圖BP神經網絡（反向傳播神經網絡），也叫逆向傳播神經網絡，是最廣泛使用的一種神經網絡。BP神經網

3、絡是一種典型的多層次網絡，包括輸入層，隱層和輸出能，它通常通過全聯通的方法進行連接，每層的單元間沒有相互連接。圖1是一個典型的三層BP神經網絡結構圖。神經網絡的基本處理單元（除輸入層單元）是非線性輸入輸出的關系，因此可以采用S型函數，它的輸出值在一個連續的范圍內。BP模型實現了學習多層網絡的理念。當給網絡一個輸入信號，它通過單位處理從輸入層傳輸到隱層，然后傳輸到輸出層。在輸出層單元被處理后，它產生一個輸出信號，這是一個循序漸進的更新過程，叫做預傳播。如果輸出響應和期望輸出信號之間有一個偏差，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，然后傳輸反向傳播的偏差。我們不斷

4、用一組給定的訓練模式來逐一訓練網絡，然后重復預傳播的過程，直到所有的訓練模式滿足整個網絡的需要。然后我們才認為BP神經網絡已經學習完成并且滿足需求。BP神經網絡算法的流程在圖2可以看到。開始計算每個隱層單元的輸出給網絡提供學習模式初始化連接權值和閾值調整從輸入層到隱含層的連接權和每個單元的輸出在隱含層的閾值計算每個輸出層單元的輸出更新學習模式計算每個輸出層單元的一般化誤差調整從隱含層到輸出層的連接權和每個單元的輸出在輸出層的閾值計算每個隱層單元的一般化誤差結束所有訓練誤差（或迭代次數）N更新學習次數結束圖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時期的滲流、應

5、力、位移等參數，因此監測儀器必須設立在大壩、副壩、導流洞等其他主要建筑物上。基于導流洞鋼筋計視準線觀測，導流洞應力的變化和兩個因素溫度和時間有著密切的聯系。傳統統計模型選擇溫度和時間作為可預報因子，并通過回歸進行分析、計算。每個鋼筋計的多元回歸模型是： 。在這個公式中，是鋼筋計的應力大?。ㄕ着粒?，t是導流洞混凝土的澆筑時間，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。多元線性回歸只能是模擬的線性系統，這就是為什么混凝土齡期的數據必須進行預處理再回歸分析。神經網絡具有很強的不經

6、過數據預處理就能進行非線性模擬的能力，因此觀測數據可以直接用來訓練網絡。神經網絡可以根據網絡的權重進行預報?？紤]到大壩原型觀測數據很強的非線性特點，在本文BP神經網絡被用來模擬和預報泰和水庫大壩原型的觀測中，結果和多元回歸進行了比較。B常規BP網絡訓練在泰和水庫導流洞內選擇一組觀測點，并隨機分為兩個部分：162個訓練樣本用來網絡學習和培訓，40個預測樣本通過輸入預測樣本到已經訓練過的網絡來計算預測偏差。每個樣本包含7個數據，其中6個觀測數據作為網絡的輸入，分別為：、t；鋼筋計的應力作為網絡的輸出。因此網絡結構包括6個輸入層單元，8個隱層單元和1個輸出層單元。設置神經網絡學習控制參數如下：學習因

7、子為0.00001，動量因子為0.1，偏差控制為0.00001，迭代次數為500000。使用上述的樣本來訓練BP神經網絡一般會得到以下結果：神經網絡輸出的平均誤差是5.34，最大誤差是9.53。反復調整網絡的控制參數，結果并不令人滿意。通過分析我們認識到網絡單元使用的數據很不一致，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據必須要標準化。C訓練樣本的標準化S型函數是。自變量和因變量都必須標準化。標準化公式如下：。訓練時，每個變量的最大值和最小值都會被保留。預報完成后，預報結果一定要還原，還原公式是：。神經網絡參數設置如下：6個輸入層單位，8個隱層單元和1個輸出層單元，學習因子為0.0

8、1，動量因子為0.1，迭代次數為500000，網絡輸出的平均誤差為0.035，最大誤差為0.085。數據還原后最大誤差為3.6。標準化后網絡訓練的結果有了顯著的改善。D結果分析與比較如上所述，具有相同結構和參數的BP神經網絡，我們使用兩套觀測數據進行模擬和預報，然后使用多元回歸模型對結果進行比較分析。表1顯示了兩種模型的相應的應力特征。表1：BP神經網絡和回歸模型的結果比較模擬預報平均誤差最大誤差平均誤差最大誤差回歸1.2263.5781.1913.382BP神經網絡1.1853.61.153.288BP神經網絡模型和多元回歸模型的模擬結果由圖3所示。結果由圖4所示。預報誤差的比較由圖5所示。

9、圖3：模擬結果的比較 圖4：預報結果比較圖5：預報誤差的比較兩種模型的平均誤差和最大誤差非常接近，BP神經網絡模型的預報能力略高于多元回歸模型，從圖標變化來看也都基本符合測量數據，兩者的預報誤差也有著相同的趨勢。綜上所述，BP神經網絡和多元回歸模型一樣，能反映鋼筋計的應力影響因子的變化趨勢。和多元回歸模型相比，BP神經網絡能更好地模擬大壩原型觀測。四 結 論1、從上述結果可以看出，BP神經網絡模型和多元回歸模型的模擬精度是基本相當的，而其預報精度略高于統計模型。BP神經網絡模型已經適應了大壩系統復雜性和巨大性的特點，他是一個具有良好應用前景的數學模型。2、實際上，多元線性回歸模型是BP神經網絡模型的一種簡化形式。當隱層被去掉并且輸出層的單元個數被設置成1時，一個三層BP網絡可以轉化為一個多元線性回歸模型。3、和多元線性回歸模型相比，BP神經網絡模型的預報因子不需要做線性預處理（如指數、對數等）以及樣本觀測數據的直接非線性映射。標準化后樣本觀測數據可以直接用來訓練網絡。4.、BP神經網絡模型的關鍵在于模型的訓練。目前模型的訓練時間很長，為決定一些參數值和特征值需要反復嘗試，并且它需要很多重要的經驗因素。模型參數值有待進一步研究。參考文獻【1】吳中如，等水工建筑物安全控制理論及其應用南京：河海大學出版社，1990【2】焦李成神經網絡的應用與實踐西安：西安電子科