遗传优化的BP网络预测路基沉降.pdf

《遗传优化的BP网络预测路基沉降.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、102低温建筑技术2010年第8期(总第146期)遗传优化的BP网络预测路基沉降郭亚宇，孙立功，苏兆仁(1．陕西铁路工程职业技术学院。陕西渭南7140OO；2．兰州交通大学土木工程学院。兰州730070；3．中交一航局第-3-程有限公司。辽宁大连116001)【摘要】针对传统的BP神经网络存在收敛速度慢、易陷入局部极小点的缺点，提出了基于遗传优化的BP神经网络预测方法并建立了路基沉降预测模型。将该优化模型与指数曲线模型、双曲线模型、灰色预测模型和传统的BP神经网络预测模型对比，结果表明遗传优化的BP神经网络在路基沉降预测中精度最高，适宜

2、广泛采用。【关键词】BP神经网络；遗传优化；沉降预测；路基【中图分类号】TU473．2【文献标识码】B【文章编号】1001—6864(2010)08—0102—03目前，计算沉降量与时间关系的方法有三大类⋯。第在选择样本时一般要求样本数量足够。根据经验，样一类为经典的分层总和法，也是规范推荐的方法。第二类本数量一般不少于2倍的输入信息个数】。收集36个观测为数值计算方法。这两类方法在理论上都是合理可行的，断面的沉降观测数据，选取其中27组数据作为神经网络的但这两类方法所涉及的计算参数必须通过试验获得。取样训练样本，其余9组数据作为检验样

3、本。限于篇幅这里仅列过程中土样不可避免的会产生扰动，特别是对高灵敏度的出9组检验样本，如表1所示。由于网络的输人参数量纲存软土来说，扰动将导致试验得出的参数与土的实际参数相在不一致，首先将原始数据进行归一化处理，使数据全部转差甚远，根据这种试验参数计算的变形量与地基土层的实换到0—1之间。在网络仿真结束后，对输出值进行还原。际变形量常常不相符合。这种情况下，第三种方法通过现对于地基处理方式属定性变量，此处地基不处理赋值为1，场实测资料来推算沉降量与时间的关系就显示出了它独有砂井处理赋值为2，粉喷桩处理赋值为3。的优势。这类方法有很多种，

4、如指数曲线法、双曲线法、灰色预测法和神经网络法等。大量研究表明BP神经网络在表1检验样本数据路基沉降预测中有广泛的应用，且预测精度较高。但也存在一些缺陷和不足。主要表现在：①BP网络学习收敛速度太慢，网络的学习记忆性具有不稳定性；②网络隐含层数、隐含节点数和学习参数较难确定；③BP算法是一种梯度下降法，有可能产生局部最优而不能得到全局最小值的现象。针对BP神经网络存在的三个问题，提出了基于遗传优化的BP神经网络预测方法。1改进模型的建立1．1层数的选择Lippmann证明三层神经网络可以用来处理突区域上的模式识别问题J。Huang和Li

5、ppmann用仿真试验证明了三层神经网络可以处理几种特别复杂的模式识别问题j。对于BP神经网络还有一个非常重要的定理，即对任何在闭区间内的一个连续函数都可以用单隐层的BP网络来逼近，一1．4隐层设计个三层的BP网络可以完成任意n维到m维的映射J。因隐层设计最重要的就是神经元节点数的设计。隐层神此文中采用具有一个隐层的三层BP网络。经元节点数太多，会导致网络学习的时间过长，误差也不一1．2输入输出层设计定会最小，同时还可能会导致网络的容错性差；若隐层神经软土路基沉降的内在规律复杂，影响因素较多，各种因元结点数太少，则会使学习在局部最小中搜

6、索，从而不能求素与软土路基沉降之间存在一种复杂的非线性关系。研究得可靠的结果]。关于神经元节点数的选择，很多学者做表明地基处理方式、土层厚度、压缩模量、路堤高度、施工了大量的研究】。但由于理论方法还不完善，文中采用试工期和竣工时沉降量等6个因素对软基沉降有较大影响，所算的方法卜_9来确定隐层神经元结点数，即先采用“2N+以选择此6个因素作为网络的输入参数，最终沉降量为网络1”法确定一个值，然后以此为中心再取一个范围，选择使误的唯一输出参数。差最小的那个数作为最终网络的隐层神经元结点数。1．3样本的建立和预处理1．5训练函数的选择郭亚宇等

7、：遗传优化的BP网络预测路基沉降103MATLAB神经网络工具箱中的训练函数主要有以下几(1)种群规模P。种群规模直接影响遗传算法的效种：traingdx函数、trainlm函数、traingdm函数和trainbfg函率和最终性能，是决定遗传算法能否陷入局部解的主要影数。将样本数据分别用上述函数进行训练，并进行对比分响因素。如果种群规模选的过小，可能造成样本数量不析以选取最优的训练函数。足，容易使算法陷入局部最优解；种群规模选的过大，又增由训练结果可知，在使用traingdx函数进行训练时，网加了算法的计算量，导致收敛速度过慢。大量试

8、验表明⋯，络收敛速度较快，但是误差也相对较大，最大相对误差为在变异率不高于0．05时，群体规模在30—100之间时可得8．13％；使用traingdm函数进行训练，在训练了16000次后到最好的在线性能。鉴