基于ACO-BP神经网络的土石坝位移监测模型研究

发布时间：2024-02-22 11:08

　　建立安全监测网络模型来分析和预测大坝变形位移信息,对保障大坝安全稳定服役意义重大。针对大坝安全监测BP神经网络模型运算复杂、收敛速度慢、易陷于局部最优、不能准确反映和预测大坝运行状况的问题,引入蚁群算法(ACO)全局搜索功能搜寻BP神经网络参数最优解,并通过样本数据训练BP网络获得大坝变形位移预测值。工程实例应用表明:ACO-BP网络模型在参数优化方面较BP网络更易于收敛,误差较小、预测性能良好,可为大坝变形位移监测和安全预报提供一种新的非线性建模仿真分析方法。

【文章页数】：6 页

【部分图文】：

图1BP神经网络结构图

BP神经网络模型一般由输入层、隐含层和输出层3部分组成。文中采用3层BP网络结构，隐含层采用函数Tansig，输出层采用函数Purelin，通过网络自动学习耦合输入和输出样本数据间的任意非线性关系[9-10],BP神经网络结构如图1所示。2.2土石坝位移影响因子

图2基于蚁群算法改进的ACO-BP网络模型

利用蚁群算法(ACO)全局寻优能力为BP提供σ(σ≥1)较优的初始权值组合，来克服BP算法对初值设置较敏感、易陷入局部最优的缺点;再利用BP算法梯度下降的原理进一步“细调”权值，寻找网络真正的全局最优点，来克服由于对定义域进行分割带来的量化误差及单一蚁群算法训练网络耗时过长的不足....

图3ACO-BP网络模型逻辑判断流程

将蚁群算法(ACO)引入到BP神经网络模型对网络连接参数进行优化，其逻辑判断流程见图3。采用ACO-BP方法训练神经网络的步骤为:ACO-BP神经网络通过初始化、神经网络参数选定、信息素调节等步骤的不断重复，使所有路径收敛为一条路径，通过计算网络输出误差值和实际输出误差值对比，找....

图4土石坝变形位移监测测点布置图(单位:m)

(2)隐含层节点数的确定。运用MATLAB软件，训练次数为50000，在[k-2,k+2]区间找出最佳隐含层节点数，对每个节点数分别测试5次后，算出平均次数。其中，测点D7-2不同神经元个数实测数据的网络预测误差见图5，训练次数见表2。图5D7-2测点不同隐含层节点数竖向位移....

本文编号：3906686