24 bp神经网络模型与学习算法 - 风险管理与保险.pptVIP

正交马歇尔试验方案 试验号 锚固段长度位级 锚杆直径位级 孔径位级 锚杆倾角位级 灌浆体强度位级 1 1 1 1 1 1 2 1 2 2 2 2 3 1 3 3 3 3 4 1 4 4 4 4 5 1 5 5 5 5 6 2 1 2 3 4 7 2 2 3 4 5 8 2 3 4 5 1 9 2 4 5 1 2 10 2 5 1 2 3 11 3 1 3 5 2 12 3 2 4 1 3 13 3 3 5 2 4 14 3 4 1 3 5 15 3 5 2 4 1 正交马歇尔试验方案 试验号 锚固段长度位级 锚杆直径位级 孔径位级 锚杆倾角位级 灌浆体强度位级 17 4 2 5 3 1 18 4 3 1 4 2 19 4 4 2 5 3 20 4 5 3 1 4 21 5 1 5 4 3 22 5 2 1 5 4 23 5 3 2 1 5 24 5 4 3 2 1 25 5 5 4 3 2 对于5 因素5位级，如全面试验需要3125次试验，采用正交表L 25( 56)则只需要25 次马歇尔试验 。 影响因素灵敏性分析 设计实例：土层锚杆锚固段长度9.3m，直径30mm，孔径130mm，灌浆体强度3.0Mpa，锚杆倾角15°。 根据选定的L25(56) 正交表对表5 中的位级变化并组合形成25 个试验样本。用训练好的网络模型对上述25 个试验样本分别进行预测，结果如表所示。 试验 号 预测 结果 试验 号 预测 结果 试验 号 预测 结果 试验 号 预测 结果 试验 号 预测 结果 1 102.956 6 117.33 11 100.382 16 142.617 21 164.879 2 110.749 7 113.783 12 99.477 17 120.605 22 190.099 3 111.526 8 110.008 13 99.748 18 117.374 23 117.244 4 137.677 9 115.17 14 100.821 19 141.691 24 119.178 5 115.347 10 124.002 15 100.837 20 232.374 25 168.842 位级 锚固段长度 锚杆直径 孔径 锚杆倾角 灌浆体强度 第一位级平均值 115.651 125.6328 127.0504 133.4442 110.7168 第二位级平均值 116.0586 126.9426 117.5702 119.2588 122.5034 第三位级平均值 100.253 111.18 136.2486 123.8248 128.315 第四位级平均值 150.9322 122.9074 131.7242 126.91 155.4456 第五位级平均值 152.0484 148.2804 123.1498 131.5054 117.9624 极差 51.7954 37.1004 18.6784 14.1854 44.7288 极差顺序 1 3 4 5 2 将每个因素相同水平的五次实验结果求平均，就可以得到每个因素在不同水平情况下各指标的平均值，对同一因素不同水平的指标求最大与最小值之差，即可得到该因素变化所对应的极差，如表所示。 * 样本数据的定义 通过数值模拟得到 4 个质量等级的 32 组数据，每组数据对应 8 个特征向量值，组成了神经网络训练的样本集，神经网络以特征向量值作为输入，以锚杆锚固质量等级作为输出。 质量等级 特征向量 E1 E2 E3 E4 S12 S22 S32 S42 Ⅰ 0.0525 0.0419 0.1741 0.7314 0.0043 0.0047 0.0601 0.9309 Ⅱ 0.0297 0.0271 0.1633 0.7800 0.0009 0.0011 0.0296 0.9684 Ⅲ 0.0363 0.0376 0.8425 0.0836 0.0004 0.0005 0.9945 0.0045 Ⅳ 0.1543 0.1550 0.6633 0.0274 0.1334 0.1483 0.7173 0.0010 网络生成和训练 选用含有一个隐层的 BP 神经网络，其中网络输入维数为8，输出维数为 2，隐层的节点数为 8，激活函数采用对数 Sigmoid 函数。训练算法为共轭梯度法，误差指标为 1×10－5。网络训练的误差变化曲线如图所示。 实例验证 为了验证所建立的神经网络的精度和可靠性，从现场实测时程曲线中选取了 4 个分别属于 4 个不同锚固质量等级的测试信号来进行验证，其特征向量和神经网络识别结果见表 4。 锚杆编号 特征向量 E1 E2 E3 E4 S12 S22 S32 S42 1 0.0505