【摘要】應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)了對巖土工程安全監(jiān)測數(shù)據(jù)的預(yù)測預(yù)報，并對預(yù)測結(jié)果進行了分析，說明了隱含層數(shù)對預(yù)測結(jié)果誤差的影響。通過比對，選擇了誤差最小的較優(yōu)組合對巖土工程進行預(yù)測。
　　關(guān)鍵詞：巖土工程，安全監(jiān)測，數(shù)據(jù)處理，數(shù)據(jù)融合，神經(jīng)網(wǎng)絡(luò)
　　1引言
　　在實際工程中，巖土工程安全監(jiān)測的環(huán)境是及其復(fù)雜的，受諸多因素的影響。內(nèi)在因素主要有地質(zhì)條件及地理位置的高度非均勻性及巖體、土體介質(zhì)的各向異性外在因素主要有水荷載、降雨量、溫度等因素以及人類活動的影響。這些內(nèi)、外在因素相互禍合使得效應(yīng)量與因子之間的關(guān)系表現(xiàn)出很強的非線性特征。
　　人工神經(jīng)網(wǎng)絡(luò)具有高速的大規(guī)模并行處理特性，高度的非線性映射能力，高度的容錯性和魯棒性，信息存儲的分布式特性，自組織、自適應(yīng)、自學(xué)習(xí)的非定常性，聯(lián)想記憶的非定常性等。本文將利用神經(jīng)網(wǎng)絡(luò)的上述特點，特別是這種自組織、自適應(yīng)、自學(xué)習(xí)的非線性應(yīng)射能力，建立巖土工程安全監(jiān)測的神經(jīng)網(wǎng)絡(luò)模型。
　　2神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)
　　2.1神經(jīng)網(wǎng)絡(luò)的基本原理
　　神經(jīng)網(wǎng)絡(luò)是由大量的神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)，是模擬人在思維時神經(jīng)元的工作原理而形成的一個非線性的動力系統(tǒng)。美國的神經(jīng)網(wǎng)絡(luò)專家Hecht-Nielsen給出人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork)的定義，ANN是由多個非常簡單的處理單元彼此按某種方式相互連接而成的計算機系統(tǒng)，該系統(tǒng)靠其狀態(tài)對外部輸入信息的動態(tài)相應(yīng)來處理信息。所以，神經(jīng)網(wǎng)絡(luò)具有信息的分布式存儲和并行協(xié)同處理的特性，具有集體運算和自適應(yīng)能力，并且有著較強的容錯性和魯棒性。
　　神經(jīng)網(wǎng)絡(luò)根據(jù)其拓撲結(jié)構(gòu)一般分為兩種，前饋網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)。通常的前饋網(wǎng)絡(luò)包括Madlines網(wǎng)絡(luò)、多層感知器網(wǎng)絡(luò)(MLPN)、徑向基函數(shù)網(wǎng)絡(luò)(RBFN),函數(shù)鏈網(wǎng)絡(luò)(FLN)、概率神經(jīng)網(wǎng)絡(luò)(PNN)等;反饋網(wǎng)絡(luò)通常包括Hopfield網(wǎng)絡(luò)、Boltzmann機網(wǎng)絡(luò)，ART網(wǎng)絡(luò)等。
　　神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力，能夠根據(jù)已有的模式，不斷調(diào)整網(wǎng)絡(luò)的權(quán)值，使網(wǎng)絡(luò)整體具有近似函數(shù)或處理信息的能力。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式(學(xué)習(xí)方式)主要包括以下四種:有導(dǎo)師(也稱外監(jiān)督:outer-superviserd)學(xué)習(xí)，無導(dǎo)師(也稱自組織:self-organising)學(xué)習(xí)，自監(jiān)督(self-supervised)學(xué)習(xí)，有導(dǎo)師和無導(dǎo)師混合學(xué)習(xí)。
　　巖土工程中許多問題是非線性問題，變量之間的關(guān)系十分復(fù)雜，很多工程實際問題很難用確切的學(xué)、力學(xué)模型來描述。安全監(jiān)測實測數(shù)據(jù)的影響因素多，所依靠的信息許多是不確定的。因而，運用神經(jīng)網(wǎng)絡(luò)方法實現(xiàn)巖土工程問題的求解是可行的。近十年來神經(jīng)網(wǎng)絡(luò)開始大規(guī)模的被應(yīng)用于巖土工程領(lǐng)域，如大壩監(jiān)測，礦山監(jiān)測，橋梁安全監(jiān)測，建筑物沉降監(jiān)測等許多方面。學(xué)習(xí)的方法主要為有導(dǎo)師學(xué)習(xí)，學(xué)習(xí)時將訓(xùn)練樣本加載道網(wǎng)絡(luò)輸入端，將網(wǎng)絡(luò)的實際輸出與期望輸出相比得到誤差，然后根據(jù)某種目標函數(shù)準則，不斷調(diào)整網(wǎng)絡(luò)連接權(quán)值，直到網(wǎng)絡(luò)輸出與期望輸出之間的誤差小到預(yù)訂的范圍內(nèi)。
　　2.2BP神經(jīng)網(wǎng)絡(luò)
　　BP神經(jīng)網(wǎng)絡(luò)，即多層前饋式誤差反傳播神經(jīng)網(wǎng)絡(luò)，由輸入層、輸出層和若干隱含層組成，每層山若干個節(jié)點組成，每一個節(jié)點代表一個神經(jīng)元，相鄰層的神經(jīng)元通過權(quán)連接，同層各神經(jīng)元互不相連接，最基本的BP神經(jīng)網(wǎng)絡(luò)是三層前饋網(wǎng)絡(luò)，如圖1所示。
　　
　　圖1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
　　3基于BP神經(jīng)網(wǎng)絡(luò)的安全監(jiān)測數(shù)據(jù)預(yù)測
　　3.1構(gòu)造網(wǎng)絡(luò)拓撲結(jié)構(gòu)
　　目前，人工神經(jīng)網(wǎng)絡(luò)尚處在學(xué)科的不成熟期，其理論還沒有完善到能提供一套可賴以遵循的設(shè)計方法。當前的開發(fā)設(shè)計還側(cè)重于實驗、試探多種模型方案，在實驗中改進，直到選取一個滿意的方案為止。1989年RobertHecht-Nielso證明了任何在閉區(qū)間內(nèi)一個連續(xù)函數(shù)都可以用一個隱層的網(wǎng)絡(luò)來逼近，此外理論的分析也表明了隱層數(shù)最多兩層即可。王文成在他的著作《神經(jīng)網(wǎng)絡(luò)及其在汽車工程中的應(yīng)用》一書中針對不同隱層、不同節(jié)點數(shù)的神經(jīng)網(wǎng)絡(luò)擬合鋸齒波的實驗表明:當為單隱層時，隨著隱層神經(jīng)元數(shù)的增加網(wǎng)絡(luò)性能有明顯改善，但增加到一定程度，效果就不大了，而采用雙隱層時性能又上了一個臺階，此外采用雙隱層還可以加快網(wǎng)絡(luò)收斂速度。因此盡管理論分析證明，單隱層網(wǎng)絡(luò)能映射一切連續(xù)函數(shù)，但對于實際問題隱層數(shù)的選擇主要還是取決于問題的性質(zhì)及復(fù)雜程度。
　　增加層數(shù)主要可以進一步的降低誤差，提高精度，但同時也使網(wǎng)絡(luò)復(fù)雜化，從而增加了網(wǎng)絡(luò)權(quán)值的訓(xùn)練時間。因此，采用最常用的三層BP網(wǎng)絡(luò)，含一層隱含層，已經(jīng)能達到使用要求。
　　3.2輸入輸出層神經(jīng)元數(shù)的確定
　　在實驗室環(huán)境下模擬現(xiàn)場巖土工程條件，利用監(jiān)測軟件對監(jiān)測儀器的數(shù)據(jù)進行遠程實時采集，以24小時為時間間隔，采集到10月份的數(shù)據(jù)。
　　巖土工程的形變主要由地基失穩(wěn)，巖土狀態(tài)發(fā)生變化，承受各種壓力，以及不可預(yù)測的多種因素引起，而具體的形變是由各個工程中所使用的傳感器所監(jiān)測得到的，通過認真比對分析，選取以下五個傳感器的六個監(jiān)測值作為BP神經(jīng)網(wǎng)絡(luò)的輸入:測縫計，表面應(yīng)變計，應(yīng)變計，靜力水準儀雙向測縫計，BP神經(jīng)網(wǎng)絡(luò)的神經(jīng)元個數(shù)為6。
　　由于輸出層僅一個節(jié)點，故輸出節(jié)點的輸入為隱含層所有節(jié)點輸出變量的加權(quán)和，最終網(wǎng)絡(luò)對應(yīng)的輸出結(jié)果為隱含層節(jié)點到輸出節(jié)點連接權(quán)重。使用Sigmoid函數(shù)，本文選取輸出層神經(jīng)元個數(shù)為1。輸出神經(jīng)元即為能量化巖土工程變形的參數(shù):位移值。
　　3.3隱含層神經(jīng)元數(shù)的確定
　　網(wǎng)絡(luò)訓(xùn)練精度的提高，可以通過采用一個隱含層，而增加其神經(jīng)元數(shù)的方法來獲得。這在結(jié)構(gòu)實現(xiàn)上，要比增加更多的隱含層要簡單的多，且其訓(xùn)練效果也比增加層數(shù)更容易觀察和調(diào)整。因此，一般情況下，應(yīng)優(yōu)先考慮增加隱含層的神經(jīng)元個數(shù)。隱含層節(jié)點數(shù)的選擇理論上沒有明確的規(guī)定，在具體設(shè)計時，比較實際的做法是通過對不同節(jié)點數(shù)進行訓(xùn)練對比，然后適當加上一點余量。
　　對于前饋網(wǎng)絡(luò)而言，隱層神經(jīng)元數(shù)目的確定也是一個重點。同樣當前隱層神經(jīng)元的選擇也沒有成熟的理論作為指導(dǎo)。隱層神經(jīng)元選擇過少，網(wǎng)絡(luò)獲得息過少，難以成功學(xué)習(xí)到事物的本質(zhì)信息;隱層神經(jīng)元過多又容易使網(wǎng)絡(luò)學(xué)習(xí)飽和，最終整個網(wǎng)絡(luò)容錯性不好。
　　3.4網(wǎng)絡(luò)學(xué)習(xí)參數(shù)的選取
　　（1）學(xué)習(xí)速率
　　學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量。大的學(xué)習(xí)速率可能導(dǎo)致系統(tǒng)的不穩(wěn)定;但小的學(xué)習(xí)速率導(dǎo)致較長的訓(xùn)練時間，可能收斂很慢，不過能保證網(wǎng)絡(luò)的誤差值不跳出誤差表面的低谷而最終趨于最小誤差值。所以在一般情況下，傾向于選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性。學(xué)習(xí)速率的選取范圍在0.0l-0.8之間。在這里因為數(shù)據(jù)之間的差別很小，為了提高預(yù)測精度，選取學(xué)習(xí)速率為0.005。
　　為了減少尋找學(xué)習(xí)速率的訓(xùn)練次數(shù)以及訓(xùn)練時間，比較合適的方法是采用變化的自適應(yīng)學(xué)習(xí)速率，使網(wǎng)絡(luò)的訓(xùn)練在不同的階段自動設(shè)置不同的學(xué)習(xí)速率的大小。
　　為了減少尋找學(xué)習(xí)速率的訓(xùn)練次數(shù)以及訓(xùn)練時間，比較合適的方法是采用變化的自適應(yīng)學(xué)習(xí)速率，使網(wǎng)絡(luò)的訓(xùn)練在不同的階段自動設(shè)置不同的學(xué)習(xí)速率的大小。
　　（2）期望誤差的選取
　　在網(wǎng)絡(luò)的訓(xùn)練過程中，期望誤差也應(yīng)通過對比訓(xùn)練后確定一個合適的值，這要看隱含層的節(jié)點數(shù)是多少，因為較小的期望誤差是要靠增加隱含層的節(jié)點以及訓(xùn)練時間來獲得的。一般情況下，可以同時對兩個不同期望誤差值的網(wǎng)絡(luò)進行訓(xùn)練，作后通過綜合因素的考慮來確定。
　　3.5數(shù)據(jù)預(yù)處理
　　由于系統(tǒng)是非線性的，初始值對于學(xué)習(xí)是否達到局部最小、是否能夠收斂以及訓(xùn)練時間的長短關(guān)系很大。一般總是希望經(jīng)過初始加權(quán)后的每個神經(jīng)元的輸入都接近于零，這樣可以保證每個神經(jīng)元的權(quán)值都能夠在它們的S型激活函數(shù)變化最大之處進行調(diào)節(jié)。所以，一般取初始權(quán)值在(-1,1)之間的隨機數(shù)。因為所收集的數(shù)據(jù)不是在同一個數(shù)量級，我們將數(shù)據(jù)進行預(yù)處理后，把它們映射到[-1,1]之間，進行歸一化處理，這樣有利于提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練諫度。
　　3.6運行結(jié)果與分析
　　利用神經(jīng)網(wǎng)絡(luò)解決實際問題時，會涉及到大量的數(shù)值計算問題，如一般的矩陣計算、最小二乘處理等。因此利用計算機采用一般的高級語言來實現(xiàn)網(wǎng)絡(luò)時，是件麻煩的事情。而MATLAB是專門的數(shù)值計算和仿真軟件，它采用工程技術(shù)的計算語言，具有符號計算、數(shù)字和文字統(tǒng)一處理、離散和在線計算、強大的繪圖功能等特點，而且有30多個專門的工具箱。因此我們在MATLAB環(huán)境下實現(xiàn)網(wǎng)絡(luò)訓(xùn)練及仿真的過程。
　　在進行BP網(wǎng)絡(luò)模擬時，需要對模型進行測試和訓(xùn)練，所采用訓(xùn)練樣本數(shù)越多，其模擬精度就越高，本文僅用10月份數(shù)據(jù)說明BP網(wǎng)絡(luò)使用情況。選取1-15日數(shù)據(jù)為訓(xùn)練樣本，16-30日數(shù)據(jù)為測試樣本。
　　程序運行后得到隱含層數(shù)分別為11，13，15,17的訓(xùn)練誤差曲線和預(yù)測誤差曲線圖。
　　通過對運行結(jié)果的分析，得出以下結(jié)論：從上面隱含層神經(jīng)元數(shù)為11,13,15和17時的網(wǎng)絡(luò)訓(xùn)練誤差可以看出，訓(xùn)練誤差和預(yù)測誤差只有很細微的差別，仔細比較，隱含層神經(jīng)元數(shù)為13時，所需的訓(xùn)練用時較少，在這個模型應(yīng)用中網(wǎng)絡(luò)預(yù)測的誤差比與選擇其他神經(jīng)元數(shù)的隱含層時還要小。當隱含層神經(jīng)元數(shù)增多時，其誤差并沒有減小。這說明了超過最理想的隱含層神經(jīng)元數(shù)時，網(wǎng)絡(luò)預(yù)測的誤差會越來越大。
　　通過優(yōu)化計算，隱含層神經(jīng)元數(shù)為13時為最佳，其網(wǎng)絡(luò)預(yù)測的誤差最小。
　　通過反歸一化計算，得到預(yù)測測縫計的值與實際值的對比表。分別列出了隱含層神經(jīng)元數(shù)為11,13,15和17時預(yù)測值與實際值的對比。
　　
　　圖2神經(jīng)網(wǎng)絡(luò)預(yù)測值對比圖
　　通過對不同神經(jīng)元隱含層預(yù)測準確性方面的對比表和神經(jīng)網(wǎng)絡(luò)預(yù)測值對比圖的分析可以看出，隱含層神經(jīng)元數(shù)為13時，測量值的均方根值RMSE最小，最大的相對誤差值也比別的組小，神經(jīng)網(wǎng)絡(luò)的預(yù)測值最接近實際值，其誤差波動范圍最小。選取隱含層為13個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)能有效地對巖土工程安全監(jiān)測系統(tǒng)進行準確的預(yù)測，其誤差范圍較小，在可接受的范圍內(nèi)。
　　4結(jié)論
　　本文結(jié)合巖土工程實際，簡單介紹了神經(jīng)網(wǎng)絡(luò)的基本原理。在簡單闡述BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上，詳細說明了BP神經(jīng)網(wǎng)絡(luò)建模的詳細的步驟:初始化權(quán)值及閏值的選取，樣本的選取，計算輸出層各單元的輸入，傳遞參數(shù)的選擇，連接權(quán)和閥值的修正等。以巖土工程實驗室監(jiān)測為例，詳細說明了用BP神經(jīng)網(wǎng)絡(luò)建模對監(jiān)測數(shù)據(jù)進行預(yù)測的方法，在MATLAB上仿真的結(jié)果表明:當選擇隱含層神經(jīng)元為13時，其誤差在可接受范圍內(nèi)，且誤差值最小，預(yù)測結(jié)果最精確。
　　參考文獻
　　[1]騰召勝，羅隆福，童調(diào)生.智能檢測系統(tǒng)與數(shù)據(jù)融合[M].北京:機械工業(yè)出版社，2000
　　[2]秦志強.數(shù)據(jù)融合技術(shù)及其應(yīng)用[J].網(wǎng)絡(luò)信息技術(shù)，2003,22(5):2528
　　[3]楊萬海.多傳感器信息融合及其應(yīng)用[M].西安:西安電子科技大學(xué)出版社，2004
　　[4]何友，王國宏.多傳感器信息融合及應(yīng)用[M].北京:電子工業(yè)出版社，2000
　　[5]基于MLAB的系統(tǒng)分析與設(shè)計神經(jīng)網(wǎng)絡(luò)[M].西安:西安電子科技大學(xué)出版社.1998

　　搜論文知識網(wǎng)致力于為需要刊登論文的人士提供相關(guān)服務(wù),提供迅速快捷的論文發(fā)表、寫作指導(dǎo)等服務(wù)。具體發(fā)表流程為：客戶咨詢→確定合作，客戶支付定金→文章發(fā)送并發(fā)表→客戶接收錄用通知，支付余款→雜志出版并寄送客戶→客戶確認收到。鳴網(wǎng)系學(xué)術(shù)網(wǎng)站，對所投稿件無稿酬支付，謝絕非學(xué)術(shù)類稿件的投遞！