基于小波消噪及BP神经网络的大坝变形分析.pdfVIP

第 42卷 第9期 人 民 长 江 Vo1．42，No．9 2011年 5月 Yangtze River May， 2011 文章编号 ：1001—4179(2011)09—0090—04 基于小波消噪及 BP神经网络的大坝变形分析 黄 世 秀 ，洪 天 求 ，高 飞2 (1．合肥工业大学 资源与环境工程学院，安徽 合肥 230009； 2．合肥工业大学土木与水利工程学院，安徽 合肥 230009) 摘要 ：基于港 口湾大坝多期变形观测数据 ，采用Matlab语言、小波消噪及 BP神经网络分别建立 了基于时间序 列和基于环境 因素的大坝变形监测 BP神经网络模型，并利用模型分别对大坝某点变形值进行预测。时间序 列 BP模型具有结构简单、学习速率快的特点；环境 因素 BP模型精度高，可有效反映变形因素，便于拟合预测 复杂的测点变形，相对前一种模型能更好地揭示大坝变形规律 。两种建模方法先应用小波分析对原始观测数 据消噪，训练过程中采用附加动量法等改进BP算法，大大提高了BP神经网络的计算效率，克服 了其易陷入 局部极小的缺陷，取得 了良好 的拟合效果和预测精度 。 关 键 词 ：小波消噪；BP神经网络 ；大坝变形 ；变形预测 中图法分类号 ：TV698．23 文献标志码 ：A 为保证大坝安全运行，建立大坝安全监测 自动化 用中出现了很多的改进算法 。BP算法 的改进主要有 系统 ，利用其观测成果研究大坝基础变形与影响因素 两种途径 ：一种是采用启发式学习方法 ，如 附加动量 之间的数学关系 ，从而可对大坝运行性状作 出解释并 法、自适应学习速率、弹性 BP算法等；另一种是采用 根据变形规律作出预报。 目前 ，国内外大坝安全监测 更为有效的优化算法，如拟牛顿法、共轭梯度法、Lev- 主要采用统计模型、确定性模型、混合模型以及用模糊 enberg—MarqUardt法等 。附加动量法在修正网络权 数学和灰色系统理论建立预测模型等来进行安全预测 值时，不仅考虑误差在梯度上的作用 ，而且考虑在误差 和评价 I4。由于人工神经网络 (ArtificialNeuralNet- 曲线上变化趋势的影响。其实质是将最后一次权值变 works，简称 ANN)无需任何复杂的数学模型，只需对 化的影响，通过适当动量因子来传递，有助于网络从误 连续或断续的输入作状态响应而进行信息处理，具有 差 曲面的局部极小值 中跳出，但它要求训练的初始值 强大的非线性函数逼近能力 ，为不确定性系统研究提 误差下降的方向与误差最小值的运动方 向一致，因此 供了新的途径 。本文根据港El湾大坝多年变形观 需对初始值作多次试验 、筛选确定最优 。 自适应学习 测数据 ，建立基于改进 BP神经 网络 的混凝土大坝变 速率使 网络在训练过程 中自动调整学习速率 ，该方法 形预测方法 ，希望能为大坝安全监测系统和管理决策 可 以保证网络总是以最大的可以接受 的学习速率进行 机构提供有效的预报信息。 训练 ，从而有效地提高网络训练速度 。本文通过调用 traingdx．m 函数 ，将两种方法结合起来有效克服 了标 1 BP神经网络的改进 准 BP算法的弊端。 标准的BP算法实质上是一种最速下降静态寻优 2 基于 BP网络建模的方法 算法 ，在修正权向量 (t)时，按照 t时刻 的负梯度方 向进行修正 ，由于没有考虑以前积累的经验，使得学习 2．1 小波消噪 过程常常发生振荡 ，收敛较慢 ，容易产生局部极值且难 小波分析是近