BP神经网络预测模型在高铁沉降预测中的应用_厉东伟.pdf

《BP神经网络预测模型在高铁沉降预测中的应用_厉东伟.pdf》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、192测绘通报2013年增刊文章编号:0494-0911(2013)S0-0192-03中图分类号:P258文献标识码:BBP神经网络预测模型在高铁沉降预测中的应用12厉东伟，陈冉丽(1．中国矿业大学环境与测绘学院，江苏徐州221116;2．石家庄铁路职业技术学院测绘工程系，河北石家庄050047)摘要:目前我国正在大力发展高速铁路，特别是铁路客运专线，客运专线速度一般在250km/h以上，其速度快、安全性要求高，对铁路的平顺性要求高。因此，高铁沉降预测是目前研究的热点，其中，BP神经网络是一种重要

2、的预测模型。通过实测数据建立基于BP神经网络的高铁沉降预测模型，并比较几种常用曲线拟合模型与BP神经网络模型的精度，分析BP神经网络模型精度，验证其是否达到高铁沉降预测规程及优缺点。关键词:高速铁路;沉降变形;预测模型;BP神经网络层可以有多层的结构构造。一、引言2)同层的各节点互相之间是没有联系的。目前兴建高速铁路方兴未艾，而技术进步更是3)输入信号的传递是单方向的，只能向前传日新月异。轨道的高平顺性是保障列车高速、平稳播，即依次经过各隐含层，最后传递到输出层。运行的基本条件，而控制路基沉降，是高

3、速铁路路［1-2］基设计和施工的重要内容。客运专线所采用的无砟轨道对线下结构提出了很高的要求，因此对线下结构的沉降变形的研究是这方面学者正致力完［3-4］善的领域。国内外沉降预测的方法较多，总的来说可以分为3类:经典的分层总和法、基于固结理论的数值计算法和曲线拟合法。较常用、较为成熟的几种曲线拟合沉降预测方法有双曲线法、拓展双曲线法、三［5］图1BP神经网络模型点法、Asaoka法等。20世纪以来，随着神经生物学的发展，神经网络也在这种发展中应运而生。学2．BP算法者们在对人类大脑里有关信息处理的基

4、本方法的BP神经网络模型的学习过程由两部分组成，分研究中，发现并发展出模拟该方式的模型，该模型别是正向传播和误差反向传播。正向传播就是对就是神经网络。预测数据进行计算处理的过程，层级的顺序为输入二、BP神经网络层-隐含层-输出层;误差反向传播是一个误差的传播的处理过程，层级的顺序为输出层-隐含层-输入BP网络是1985年被提出来的，经过短短二十几层，误差信号在这个路程中不断地进行调整和修年的发展，目前在预测方面，已经成为应用广泛、预测正，当误差达到规则设置的精度要求时误差的修正效果较理想的模型。BP

5、网络是一种多层前向神经网才停止。具体来说，BP神经网络学习算法如下:络，由于在权值的改进中采用误差反向传播(back设有k个学习样本，第l(l=1，2，…，k)个样本［6］propagation，BP)，所以简称为BP神经网络。有输入(xl1，xl2，…，xln)和期望输出(tl1，tl2，…，tln)，1．网络模型对于神经元节点j的输入为BP神经网络中有着非常多数量的神经元，同时n作为一种多层向前神经网络，其网络结构有自身的netlj=∑WjiQli+θj(1)i=1特点，图1是BP神经网络的模型

6、，从图1可知:三、BP神经网络的高铁沉降预测模型1)网络包含有多个层级，如最前面的是输入层，最后的是输出层，中间的是隐含层，其中的隐含本文在基于BP神经网络的高铁沉降预测模型作者简介:厉东伟(1987—)，男，浙江天台人，硕士，主要从事工程测量、变形监测等方面的研究。2013年增刊厉东伟，等:BP神经网络预测模型在高铁沉降预测中的应用193建立中，采用Matlab建模。具体包括训练样本准而BP神经网络对时间序列的预测有其独特的优备、初始权确定、隐含层节点的确定和预测。在预点。其预测过程是正向预测，正

7、好符合非线性时间测模型建立过程中，关键的步骤在隐含层节点的确序列的时间连续性和方向性，可以减少信息损失，定上。更重要的是更容易得到预测量。误差传播又是反隐含层节点的确定可以直接影响预测的准确向的，可以更方便地控制误差，从而得到可靠的预性。而隐含层节点主要应考虑两个方面:①隐含层测量。的层数;②单层隐含层中的节点数。通过以上分析，已经得到了BP神经网络对高确定隐层节点数的经验公式如下速铁路线下结构沉降变形的预测所需要的准备。m=槡n+l+a(2)在高铁沉降预测实例中共采用4组沉降数据对BP式中，m为隐

8、层节点数;n为输入节点数;l为输出层神经网络模型进行实例验证。在得到预测值后，进节点数;a为1～10之间的常数。过整理，其最终结果见表2。本文在隐层节点数的选项上采用了常用且效表2BP神经网络预测沉降量mm果较好的方法———穷举法。首先通过经验法得出验证数据1验证数据2验证数据3验证数据4大致的范围，之后通过不断地调整隐层节点数带入预测沉降量预测沉降量预测沉降量预测沉降量预测，得到对应的预测量，并比较预测量与实测数据，最终得出较合适的隐层节点数。7．931．512．2