摘要：將自適應模糊邏輯與神經網絡系統結合并將之優化，利用模糊聚類法選取訓練樣本，綜合考慮了多因子的影響，建立了液化預測的模糊模型，并對砂土液化作了客觀的預測；結果表明：當選取的訓練樣本合理時，自適應模糊邏輯模型對砂土液化判別的精度很高，是砂土液化預測的有效手段之一，必將具有廣闊的應用前景。
　　關鍵詞：自適應網絡模糊邏輯；液化；神經網絡；優化.
　　0前言
　　自1964年日本新瀉和美國阿拉斯加地震以來，液化問題得到了逐漸認識和日益重視；飽和砂土地震液化是誘發破壞性極為嚴重的區域性地質災害的首要原因之一，它給人類造成不同程度的經濟損失和安全隱患，因此，準確可靠地對砂土液化進行預測意義非凡；其已成為巖土工程勘察和土動力學研究的重要內容，經過長期的理論與試驗研究，目前已有許多重要研究成果問世[1]。
　　當前砂土液化的預測方法歸納起來主要有預測法和經驗分析法，但兩種方法都存在著自適性能力差、精度不高等缺陷，而砂土液化本身也受到地震和土體參數等眾多因素的影響，且各因素與液化勢間呈復雜的非線性關系，若用其建立方程，進行液化可靠度分析顯然是不適宜的；因此，建立一個將定量與定性指標融為一體，能真實反映影響因素與液化勢之間非線性關系的多參數綜合評判模型，是實現砂土液化判別準確性的關鍵。
　　文章基于文獻中地震液化的實測資料，利用模糊聚類法選取訓練樣本，綜合考慮了多因子的影響，并采用ANFIS優化邏輯系統，對砂土液化預測作了客觀的分析。
　　1ANFIS的原理與組成
　　將模糊數學方法應用于砂土液化的資料分析主要包括：聚類分析法、似然推理法、綜合評判法，而這些方法在確定隸屬函數、樣本區間時都具有一定的主觀性[3]。
　　由于ANFIS的模糊系統是由一等價的神經網絡來表示，其節點和參數都具有確定的意義，它可以通過自適應神經網絡來實現一個T-S規則。T-S的模糊推理系統采用下列規則：如果為且為，則。規則的條件部分是模糊的，而結論部分一般為定量的線性函數，即：
　　（1）
　　模糊推理的輸出采用權重平均法，即：
　　（2）
　　圖1給出了一個具有兩個輸入變量、一個輸出變量的模糊推理系統：
　　
　　圖1：模糊推理系統
　　2關于ANFIS最優化
　　模糊推理機根據模糊推理規則庫中的模糊推理知識以及模糊產生器產生的模糊集合，依據模糊邏輯中蘊含關系及推理規則，推理出模糊結論，并將其輸入到模糊消除器，模糊消除器將論域V上的模糊集合一一映射到V上確定的點。
　　本文將神經網絡與模糊推理組成一個協作系統，該系統既可像模糊模型那樣為人接受，同時又具有神經網絡的擬合能力和學習能力，其結構與模糊模型相對應；圖2給出了一個6層的模糊神經網絡結構[9，10]：
　　
　　輸入層模糊化層釋放強度層歸一化層結果層解模糊層
　　圖2：ANFIS神經網絡結構
　　該網絡結構第1層為輸入層，輸入變量；第2層為模糊化層；第3層為規則的釋放強度層；其節點的輸出是兩個隸屬函數的乘積；第4層為所有的規則強度的歸一化，即；第5層表示一條規則對應的結果部分，其輸出采用T-S規則，即：
　　（3）
　　其中，為參數集；第6層為解模糊層，采用重心法解模糊，即：
　　（4）
　　這樣，就構成了自適應模糊神經網絡，它在功能上等效于一個具有T-S規則的模糊推理系統；該網絡有兩種算法如下：
　　1)梯度下降學習算法：目標函數為：
　　（5）
　　式中，—誤差函數，—學習樣本數，—實際輸出，—期望輸出，參數的調整公式如下：
　　（6）
　　2)采用最小二乘法調整輸出連接權系數：采用迭代最小二乘法，建立，再優化值：
　　（7）
　　式中，—待調整的連接權參數的第k個行向量，
　　—適用度歸一化向量A的第k個行向量，—協方差矩陣，—訓練輸出數據向量y的第k個行向量，—學習樣本數，。
　　該模糊邏輯系統可以在任意精度上一致逼近任何定義在一個致密集上的非線性函數，從而可以將其作為一種萬能逼近器。
　　3基于ANFIS預測與實測結果對比
　　MATLAB的模糊控制工具箱提供了ANFIS模糊推理工具的主要函數ANFIS和Genfis1，其實質就是借用神經網絡中比較成熟的參數學習算法—反向傳播算法或是最小二乘的反向傳播算法，此函數通過一個可選的參數可以用來進行模型的有效性確認，即檢驗模型的相對訓練數據是否匹配，可選參數就是用來核對數據集的[8]。
　　影響砂土液化發生、發展的因素很多，從參考文獻[7]的表2、表3數據中選取具有代表性的參數作為液化判別指標，對砂土液化進行預測；因網絡的輸入層節點數為6，代表6個實測變量；輸出層節點數取為1，并用“1”表示液化，“0”表示非；為了使網絡訓練更加有效，在訓練前可對樣本數據進行歸一化處理。即將輸入輸出數據映射到[-1,1]范圍內。設X為總體，從XA中取容量為n的樣本;則有下列標準化處理公式[5-9]：
　　（8）
　　歸一化處理公式：
　　（9）
　　上式中為樣本均值；S為樣本標準差；X為標準處理后的變量；Xw為歸一化處理后的變量。
　　利用MATLAB程序或工具箱進行預測，其結果輸出見圖（3—4）。
　　
　　圖3：訓練數據與檢查數據輸出
　　圖4僅描述了樣本的預測結果，不難看出：每個預測計算數據與實際數據的誤差很小，通過取整，能大大理想的預測效果；將整個預測結果與實測結果進行比較分析，發現也僅有55號液化（1）被判斷為未液化（0）174號未液化（0）被判斷為液化（1），預測的準確率高達，表明模型的建立是成功的，預測的效果顯著。
　　
　　圖4：液化實測值與預測值對比
　　4結語
　　基于自適應模糊邏輯系統優化的人工神經網絡避開了復雜的理論分析，變量之間的非線性關系不必事先規定，而只需向網絡輸入一些實例，即可快速、準確地揭示數據樣本所蘊涵的非線性關系，具有高度的分類、識別能力，適合于砂土液化預測這一類非線性模式識別問題；本文提取液化的代表性6個實測指標作為液化判別指標，通過對合理樣本的學習，尋找各因子與液化之間的復雜關系，建立了砂土液化預測模型，其判別成功率高達，并且將網絡預測結果與實測結果進行比較，驗證分析了此模型的科學性和合理性，它比傳統方法的精度更高，表明基于ANFIS邏輯系統優化的人工神經網絡是解決非線性問題的有效方法之一，有必要將之在巖土工程各即可快速、準確地揭示數據樣本所蘊涵的非線性關系，具有高度的分類、識別能力，適合于砂土液化預測這一類非線性模式識別問題；本文提取液化的代表性6個實測指標作為液化判別指標，通過對合理樣本的學習，尋找各因子與液化之間的復雜關系，建立了砂土液化預測模型，其判別成功率高達，并且將網絡預測結果與實測結果進行比較，驗證分析了此模型的科學性和合理性，它比傳統方法的精度更高，表明基于ANFIS邏輯系統優化的人工神經網絡是解決非線性問題的有效方法之一，有必要將之在巖土工程各個領域中推廣。
　　參考文獻:
　　[1]翁煥學.砂土地震液化模糊綜合評價實用方法[J].巖土工程學報,1993,15(2):74－79.
　　[2]陳新民,羅國煜.地震砂土液化可能性的非確定性灰色預測法[J].桂林工學院學報,1997,17(2):106－109.
　　[3]錢云濤,謝維信.一種由模糊邏輯神經元網絡實現的聚類分析方法[J].西安電子科技大學學報,1995,22(1):1-7.
　　[4]陳奎,劉興昌.砂土地震液化的神經網絡預測[J].西北地震學報,2000,22(2):167－171.