基于遗传算法优化BP神经网络的大坝变形监控模型-论文.pdf

《基于遗传算法优化BP神经网络的大坝变形监控模型-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、《湖南水利水电>20l4年第5期姜斌雄，z(1长沙理工大学长沙市410000；2常德市水利水电勘测设计院常德市415000)【摘要】一个合理的位移监控模型是通过大坝安全监测实现大坝安全监控的关键因素之一。针对传统的统计模型、确定模型和混合模型的足，提出基于遗传算法优化BP神经网络的GA—BP模型的方法，并将该模型用于大坝变形预报研究。最后以某拱坝为例，对该拱坝拱冠梁坝顶径向水平位移实测值建立了GA—BP模型，并将模型用于某坝项径向水平位移预报。结果表明GA—BP模型不仅比统计模型具有更高的拟合精度，且在大坝变形监测预报上也是有效的。【关键

2、词】大坝变形监控遗传算法BP神经网络模型建立与预报预报方面优于回归预报模型。然而，传统的神经网引言络存在学习速度慢，易于收敛到局部最优点，以及目前，常用的大坝变形模型有统计模型、确定网络规模和拓扑结构参数取值的不确定性等问题，性模型和混合模型，这些模型或者为经验模型，或常常采用经验、试算等手段，因此其精度和速度受者对大坝的物理力学性质进行了简化【”，加之随饥到了较大的限制【5】。因素和时效因素的影响，用上述模型对监测数据进遗传算法作为一种新的全局优化搜索方法，具行拟合，其精度一般不是很高。有通用简单、鲁棒性强、适于并行处理的优点，尤其20

3、世纪80年代以来，人工神经网络技术因其适用于处理传统搜索方法难以解决的复杂和非线强大的自我学习修正误差的能力以及能够逼近任性优化问题。文中引入遗传算法，对BP神经网络何非线性系统的特点，在水利水电工程的众多领域进行设计和训练，以提高和拓宽BP神经网络的学到了广泛的应用。杨杰等【以福建水口混凝土习速度和适用性，从而快速合理地建立大坝变形监重力坝变形监测为例，利用BP神经网络建立的模控神经网络模型。型对坝顶垂直位移进行了预报；吴云芳等卅对大坝1遗传算法的基本理论神经网络模型和大坝统计回归预报模型进行了比较，其结果表明BP神经网络模型在大坝变形

4、监测遗传算法(GeneticAlgorithm，GA)是借鉴生物作者简介：姜斌雄(1985一)，男，湖南岳阳人，工程师，从事水利水电工程设计工作。27姜斌雄，，基于遗传算法优化BP神经网络的大坝变形监控模型进化过程中的遗传规律而产生的一种优化搜索技术[61，它通过遗传操作不断地进行迭代计算，从而逐步逼近问题的最优解。遗传算法以群体中的所有个体为对象，对这些个体进行选择、交叉和变异，根据个体的适应度值，对个体进行“优胜劣汰”，以保证种群的优越性和先进性。遗传算法中包含如下基输入层隐层输出层本要素：图1B尸神经网络的拓扑结构(1)参数编码。遗

5、传算法的关键部分是对参数进行编码，即将问题的解空间表示成编码空间的染上游水位1～4次方、温度(水温，大气温度等)和时色体，编码方式常用的有二进制编码、十进制编码、效等因素，影响因子的个数即为输入层神经元个数浮点数编码等。N1。输出量为坝体位移的预测值，其个数即为输出(2)初始群体生成。由若干初始解组成了遗传层神经元个数N2。可以根据经验采用不同的数值算法的初始群体。进行网络仿真实验，从而确定隐含层神经元个数和(3)适应度评价。遗传算法在搜索进化过程中学习速率，并构建大坝变形监控的BP预报模型。需要判断个体优良与否，该依据即为评价函数值构建

6、大坝变形监控的BP预报模型是一个学习(适应度)，通过适应度对个体进行“优胜劣汰”。过程，该学习过程由两个过程组成：监测信号的正(4)选择。选择操作是指在群体中选择生命力向传播与位移误差反向传播。进行正向传播时，输强的个体产生新的群体的过程。选择操作的用途是入样本通过输入层，经过隐含层处理之后到达输出用来确定重组或交叉的个体，目的是保证优秀的父层。如果实测位移值和输出层输出的位移值不相代基因传给下一代。符，则转入误差反向传播过程。所谓的误差反向传(5)交叉。交叉操作是指随机选出两个染色体，播是指通过隐含层以某种形式向输入层反传输出按某种方式

7、相互交换其部分基因，从而形成两个具误差，该误差由处理层的各个单元分摊，根据各单有两个父代特征的新的个体。元分摊的误差的大小对网络权(阙)值进行修正。BP(6)变异。变异操作是指随机选择个体染色体，神经网络的学习过程即为不断的进行监测信号的将染色体编码串中某些基因值用其他等位基因来正向传播和位移误差反向传播，当达到网络训练次代替，从而产生新个体。变异操作主要有两个目的：数的上限值或输出的位移误差达到允许值时终止一是增强遗传算法的局部搜索能力；二是挖掘种群学习。的多样性，防止陷入局部最优解。3基于遗传算法优化BP神经网络的大坝2BP神经网络的

8、基本理论变形模型建立BP神经网络是一种前馈网络，采用误差反向(1)选择水位、温度和时效为模型决策变量。传播进行自我学习和误差修正。网络的组成部分分(2)对输入数据和输出数据进行数据归一化处理。