数学建模知识。数学建模的方法

第47卷第5期

2010年10月总第196期

港工技术

PortEngineeringTechnology

Vol.47No.5Oct.2010Total196

改进的BP神经网络在路基沉降预测中的应用

郭亚宇1，2，孙立功1，苏兆仁3

（1.陕西铁路工程职业技术学院,陕西渭南714000;2.兰州交通大学土木工程学院,

甘肃兰州730070;3.中交一航局第三工程有限公司,辽宁大连116001）

摘要：针对传统BP神经网络存在的缺点，提出基于遗传优化的变梯度反向传播的BP神经网络预测方法，采用遗传算法优化BP神经网络的初始权重，建立路基沉降预测模型。该模型可克服BP神经网络模型存在的收敛速度慢、易陷入局部极小点等缺点。结合现场实测数据，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BP神经网络预测模型对比，结果表明改进的BP神经网络在路基沉降预测中精度最高，适宜于广泛推广应用。关键词：沉降预测；BP神经网络；遗传优化；遗传算法中图分类号：TU433

文献标志码：B

文章编号：1004-9592（2010）05-0046-05

ApplicationofImprovedBPNeuralNetworkinPredictionof

SettlementofRoadbed

GuoYayu1，2，SunLigong1，SuZhaoren3

（1.ShanxiRailwayInstitute,WeinanShanxi714000,China;2.SchoolofCivilEngineering,

LanzhouJiaotongUniversity,LanzhouGansu730070,China;3.No.3EngineeringCompanyLtd.

ofCCCCFirstHarborEngineeringCompanyLtd.,DalianLiaoning116001;China）

Abstract：AddressingtheshortcomingsofthetraditionalBPneuralnetwork，theauthorproposesanewmethodofpredictionbymeansofback-propagation（BP）neuralnetworkwhichisbasedongeneticoptimizationandvariablegradientbackpropagation.Thecouplingmodelofgeneticalgorithmandback-propagation（BP）neuralnetworkwasappliedtothePredictionofRoadbedSettlement，aimingatovercomingshortcomingsoftheBPneuralnetworkmodel，suchassusceptibilityoffallingintolocalminimumvalueandbeingslowinconvergence.Basedonfieldmeasureddata，thecomparisonsofnewmodelwithexponentialcurvemodel，hyperbolicmodel，greyforecastingmodelandtraditionalBPneuralnetworkpredictionmodel，haveshownthattheimprovedBPneuralnetworkisofhighestaccuracy，andadaptabletowiderangeofapplications.

Keywords：settlementprediction；BPneuralnetwork；geneticoptimization；geneticalgorithm

在高速公路施工过程中，需计算路基在不同时刻的沉降量以及最终沉降量。目前，计算沉降量与时间关系的方法有3大类［1］：第1类为经典的分层总和法，也是规范推荐的方法；第2类为数值计算方法，主要是结合各种土的本构模型计算最终沉降量的有限元法；第3类方法是通过现场实测资料来推算沉降量与时间的关系，如指数曲线法、双曲线法、泊松曲线法、灰色预测法和神经网

收稿日期：2010－03－05

作者简介：郭亚宇（1981-），男，助教，在职研究生，主要从事岩土与地下工程方面的研究。

络法等。

研究表明：BP神经网络预测方法精度较高，在路基沉降预测中得以广泛应用。但是BP神经网络在预测路基沉降量时也存在一些缺陷和不足，主要是BP网络学习收敛速度太慢，网络的学习记忆性具有不稳定性；网络隐含层数、节点数和学习参数较难确定；BP算法是梯度下降法，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3个问题，本研究在建立网络时作了充分考虑，经综合比较分析，提出基于遗传优化的变梯度反向传播的BP神经网络预测方法。

数学建模知识。数学建模的方法

第5期郭亚宇，等：改进的BP神经网络在路基沉降预测中的应用·47·

1

1.1

建立改进模型

选择层数

各种因素与软土路基沉降之间存在复杂的非线性关系。研究表明：由于地基处理方式、土层厚度、压缩模量、路堤高度、施工工期和竣工时沉降量等6个因素对软基沉降均有较大影响，因此，选择其作为网络的输入参数。最终沉降量为网络的唯一输出参数［5］。

Lippmann证明3层神经网络可以用来处理突

区域上的模式识别问题［2］。Huang和Lippmann用仿真试验证明了3层神经网络可以处理几种特别复杂的模式识别问题［3］。国内外许多学者的研究表明，对于小型神经网络的判决边界分类问题，2个或多个隐层网络并不比1个隐层网络有更过的优越性，采用2层或以上的隐含层几乎没有任何好处。这主要是因为隐含层数越多，误差逆向传播的过程计算就会越复杂，从而使训练时间大幅度增加。另外，隐含层数增加后，局部最小误差会随之增加，网络在训练过程中往往陷入局部误差而无法摆脱，网络的权重也难以调整到最小误差处。BP神经网络还有1个非常重要的定理，即：对任何在闭区间内的1个连续函数都可以用单隐层的BP网络来逼近，由于1个3层的BP网络可以完成任意n维到m维的映射［4］，因此可采用具有1个隐层的3层BP网络。

1.3建立和预处理样本

建立神经网络模型，以期准确地预测路基的沉

降量，首先必须有大量的训练样本。只有这样，神经网络预测模型才能在路基沉降影响因素和最终沉降量之间建立起相应的映射关系。网络模型所需要的样本数量，取决于映射关系的复杂和数据的噪音［6］。映射关系越复杂，噪音越大，所需要的样本数也就越多。在选择样本时一般要求样本数量足够，具有代表性，而且要分布均匀。根据经验，样本数量一般不少于2倍的输入信息个 …… 此处隐藏：4315字，全部文档内容请下载后查看。喜欢就下载吧 ……