利用bp神经网络的预测隧道周边位移

《利用bp神经网络的预测隧道周边位移》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、实用标准文案利用BP神经网络预测隧道周边位移摘要：介绍了利用神经网络技术的基本原理；并以隧道周边位移为例，说明应用matlab实现bp神经网络的预测。abstract:thispaperintroducesthebasicprinciplesofusingneuralnetworktechnologyandillustratestorealizethepredictionofbpneuralnetworkbyusingmatlab,takingtunnelborderdisplacementforexample.关键词：神经网络；matlab；预测k

2、eywords:neuralnetwork；matlab；prediction0引言隧道岩土是一个复杂的综合系统，各种参数具有很大的不确定性，这给我们判定其工程性质和参数带来了困难。bp神经网络则是处理复杂系统的有效工具，它具有广泛的适用性，不但能较好地拟合已知数据，而且还具有良好的预测功能。借助matlab的实用工具箱，用户可以不再考虑复杂的编程过程而更专注于算法。以下将通过具体例子介绍基于matlab的bp神经网络在隧道工程等差时间序列的数据处理和预报中的应用。1精彩文档实用标准文案bp神经网络技术前馈反向传播网络（back-propagatio

3、n-network，简称bp网络）是目前应用最广泛的神经网络模型之一。在人工神经网络的实际应用中，80%～90%的人工神经网络模型都是采用bp网络或它的变化形式。它也是前向网络的核心部分，并且是人工神经网络最精华的部分。如今，网络在模式识别、图像处理与分析、控制等领域有着广泛的应用。从结构上讲，bp网络是一种分层型的典型多层网络。具有输入层、隐含层和输出层，层与层之间多采用全连接的方式。同一层单元之间不存在相互连接。图1给出了一个典型的3层bp神经网络结构。bp网络可被看成是一个从输入到输出的高度非线性映射，即f:rm→rn，y=f（x）。对于样本集

4、合输入：输入xi（rm）和yi（rn）输出，可以被认为存在某一映射g，g（xi）=yi，i=1，2，……p。现要求有一个映射f，使得在某种意义下（通常是最小二乘法下），f是g的最佳逼近。hecht-nielsen证明了如下的kolmogorov定理：给定任一连续函数f：u→r，这里u是闭单位区间[0，1]，f可以精确地用一个3层前馈网络实现，此网络的第一层（即输入层）有m个处理单元，中间层有2m+1个处理单元，第三层（即输出层）有n个处理单元。2精彩文档实用标准文案隧道周边位移的监测在隧道施工过程中，由于勘探工作的密度有限，使隧道所穿越的实际围岩类别

5、与设计时勘察报告所提供的围岩类别会有所差别，并可能出现勘察时不能探明的不良地质和围岩大变形情况。隧道结构是围岩与隧道支护共同作用的结果，为了在围岩和支护安全的前提下，充分发挥围岩的自载能力，以在经济合理的支护条件下达到安全性的目的，必须通过监控测量实现信息化施工。通过在开挖后坑道内壁面设置锚固点，采用收敛计测定坑道围岩壁面发生的收敛位移，围岩收敛量测的布置如图2所示，每个量测断面设置5个锚固点，即图中的点a、b、c、d和e点。通过测定测线ae、bd、ce的位移变化，可以确定出其发生的收敛位移和大变形。量测的频度宜根据位移速度的距工作面距离选取，如表1

6、所示。通过对隧道某一断面近一个月的周边位移曲线量测数据的统计，得到相关数据如表2所示。3建立bp神经网络预测模型在进行bp网络预测模型设计时，主要考虑网络的层数和每层中神经元的个数。3.1网络层数根据上文提到的kolmogorov定理，一个3层的bp网络可以完成任意的m维到n维的映射。学习不连续函数时才需要两个隐含层，故一般情况下最多需要两个隐含层。最常用的bp神经网络结构是3层的，即输入层、输出层和一个隐含层。3.2网络各层中神经元的个数精彩文档实用标准文案输入、输出节点是与样本紧密相关的，与其应用的领域有关。根据断面周边位移的时间序列，确定输入层

7、神经元数为20，即输入变量为连续20天的周边位移序列；输出层神经元数为1，即输出变量为第21天的周边位移。隐含层节点数会在一定程度上影响到神经网络的性能。输入输出节点数、求解问题的要求等都关系到隐含层节点数的多少。我们必须慎重选择隐含层节点数，若隐含层节点数太少，容错性差，会降低识别未经学习的样本能力；若隐含层节点数太多，就要延长网络训练时间，同时存储样本中非规律性的内容，影响泛化能力的发挥，所以，设计者必须经过多次严格的试验才可确定最佳的隐含层节点数。笔者按照自身实践经验，提出通过下列公式进行设计：i=■+a，式中i、m、n分别代表隐含神经元的个数

8、、输入层神经元的个数以及输出层神经元的个数，a代表1～10之间的调节常数。改变i，采用同一样本集训练，并确定