运用BP人工神经网络设计变形预报模型.pdf

运用BP人工神经网络设计变形预报模型.pdf

ID:52265617

大小:189.63 KB

页数:3页

时间:2020-03-26

运用BP人工神经网络设计变形预报模型.pdf_第1页
运用BP人工神经网络设计变形预报模型.pdf_第2页
运用BP人工神经网络设计变形预报模型.pdf_第3页
资源描述:

《运用BP人工神经网络设计变形预报模型.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、第4期矿山测量N42010年8月MINESURVEYINGlJg2010doi:10.3969/i.issn.1001—358X.2010.04.024.运用BP人工神经网络设计变形预报模型王建国.昊美容(1.中煤国际工程集团南京设计研究院,江苏南京210031;2。江苏兰德数码科技有限公司,江苏南京210007)摘要:BP人工神经网络是应用最广泛的人工神经网络之一,运用Matlab神经网络工具箱设计BP神经网络。建立变形监测预报模型是本文探讨的课题。文中对BP网络的结构框架、本质进行了介绍,对运用Matlab工具箱建立模型的思路以及需要注意的问题进行了阐述.最后结合工

2、程实例建立的模型进行了实际验证.并得出了一些有益的结论。关键词:BP人工神经网络;变形监测;预报;模型中图分类号:TB22文献标识码:B文章编号:1001—358X(2010)04—0073—03BP算法的重要思想是把学习过程分为两个阶任何在闭区间内的一个连续函数都可以用单隐层的段:第一阶段(正向传播过程):给出输入信息通过输BP网络逼近.因而一个三层BP网络就可以了。隐入层经隐含层逐层处理并计算每个单元的实际输出层的神经元数目选择是一个十分复杂的问题,往往值。第二阶段(反向传播过程):若在输出层没能得需要根据设计者的经验和多次实验来确定,因而不到期望的输出值.则逐层递

3、归地计算实际输出与期存在一个理想的解析式来表示。隐单元数目太多会望输出之差值(即误差),以便根据此差值调节权值。导致学习时间过长,误差不一定最佳。也会导致容错这两个过程的反复运用,使得误差信号最小。性差、不能识别以前没看到的样本,因此一定存在一文献⋯2]分别探讨了BP神经网络在GPS高程个最佳的隐单元数。实际中一般采用以F直接估计方法确定隐含层节点数【3】:异常转换、建筑物沉降分析领域的应用。本文阐述(1)由输人层节点数确定隐含层节点数;了运用MATIABANNtoolbox设计变形预报模型,并(2)由训练样本数确定隐含层节点数;结合工程实例进行比较分析,实验证明效果较

4、好。(3)同时考虑输人和输出层节点数确定隐含层1基于Matlab平台的BP网络设计节点数:13初始值的选取1.1输入层和输出层的设计因系统是非线性的.初始值对于能否达到局部网络的输人层的神经元个数等于变形因子的个最小和是否能够收敛的结果关系很大。一个重要的数,输出层的神经元的个数等于变形量的个数。由要求是:初始值在输入累加时使每个神经元的状态于变形因子与变形量的数量级差别很大,为了计算值接近于零,权值一般取随机数,数值要比较小方便及防止神经元达到过饱和状态,需要对样本的1.4激活函数及训练函数的选择输人输出进行归一化处理,将数据处理为区间[0,I]激活函数通常选用Sig

5、moid函数,其最一般的形之间的数据,训练结束后再反射到原始数据范围。n式为()=_旦。由于学习速率是固定的,因在Matlab里面,用于归一化的方法共有三种:l十e(1)premnmx、postmnrnx、tramnmx归化到[01]此,网络的收敛速度慢,需要较长的训练时间。对于(2)prestd、poststd、trastd归化到『一11]这个问题,可采用改进的训练函数,如trainda、train.dx、trainlm等对网络进行训练。(4)用Matlab语言自己编程,如可将数据归化到『0.10.932工程实例1.2隐层的设计选取某桥梁变形监测数据,变形因子取:上、

6、下对于BP网络,有一个非常重要的定理。即对于游水位和当天气温,变形量取大坝径向位移量。具73第4期矿山测量2010年8月(1)数据归一化处理频率首先须建立训练输入数据向量T、输出数据向量net.trainParam.1r=0.05:%设置训练效率P,测试输人数据向量Q,然后进行归一化处理。代net.trainParam.mc=0.9:%动量常数码如下:[TN,ps1]=mapminmax(T):[PN,ps2]=net.trainParam.epochs:200000:%设置训练次mapminmax(P)数(2)生成神经网络net.trainParam.goal=le一

7、3;%设~iJIt练误差值Matlab的BP网络的建立是通过函数newf实现net=train(net,TN,PN);%训练网络的,它需要四个输入条件,即输入样本的范围,隐层(5)网络仿真及输出层的神经元个数,各层神经元激活函数和训可利用仿真函数sire对前向网络进行仿真,可练函数。代码如下:net=newf(minmax(TN),[4,最多仿真三层前向网络,仿真后的结果还要反射到1],{tansig',burelin"},lraingdm')%,其中4为隐层神原始数据范围,用于同已知数据比较,以评定精度。经元的个数,可以通过袁曾任经验公

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。