【摘要】應用BP人工神經網絡實現了對巖土工程安全監測數據的預測預報，并對預測結果進行了分析，說明了隱含層數對預測結果誤差的影響。通過比對，選擇了誤差最小的較優組合對巖土工程進行預測。
　　關鍵詞：巖土工程，安全監測，數據處理，數據融合，神經網絡
　　1引言
　　在實際工程中，巖土工程安全監測的環境是及其復雜的，受諸多因素的影響。內在因素主要有地質條件及地理位置的高度非均勻性及巖體、土體介質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、外在因素相互禍合使得效應量與因子之間的關系表現出很強的非線性特征。
　　人工神經網絡具有高速的大規模并行處理特性，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、自學習的非定常性，聯想記憶的非定常性等。本文將利用神經網絡的上述特點，特別是這種自組織、自適應、自學習的非線性應射能力，建立巖土工程安全監測的神經網絡模型。
　　2神經網絡與BP神經網絡
　　2.1神經網絡的基本原理
　　神經網絡是由大量的神經元廣泛互連而成的網絡，是模擬人在思維時神經元的工作原理而形成的一個非線性的動力系統。美國的神經網絡專家Hecht-Nielsen給出人工神經網絡(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，該系統靠其狀態對外部輸入信息的動態相應來處理信息。所以，神經網絡具有信息的分布式存儲和并行協同處理的特性，具有集體運算和自適應能力，并且有著較強的容錯性和魯棒性。
　　神經網絡根據其拓撲結構一般分為兩種，前饋網絡和反饋網絡。通常的前饋網絡包括Madlines網絡、多層感知器網絡(MLPN)、徑向基函數網絡(RBFN),函數鏈網絡(FLN)、概率神經網絡(PNN)等;反饋網絡通常包括Hopfield網絡、Boltzmann機網絡，ART網絡等。
　　神經網絡具有學習能力，能夠根據已有的模式，不斷調整網絡的權值，使網絡整體具有近似函數或處理信息的能力。神經網絡的訓練方式(學習方式)主要包括以下四種:有導師(也稱外監督:outer-superviserd)學習，無導師(也稱自組織:self-organising)學習，自監督(self-supervised)學習，有導師和無導師混合學習。
　　巖土工程中許多問題是非線性問題，變量之間的關系十分復雜，很多工程實際問題很難用確切的學、力學模型來描述。安全監測實測數據的影響因素多，所依靠的信息許多是不確定的。因而，運用神經網絡方法實現巖土工程問題的求解是可行的。近十年來神經網絡開始大規模的被應用于巖土工程領域，如大壩監測，礦山監測，橋梁安全監測，建筑物沉降監測等許多方面。學習的方法主要為有導師學習，學習時將訓練樣本加載道網絡輸入端，將網絡的實際輸出與期望輸出相比得到誤差，然后根據某種目標函數準則，不斷調整網絡連接權值，直到網絡輸出與期望輸出之間的誤差小到預訂的范圍內。
　　2.2BP神經網絡
　　BP神經網絡，即多層前饋式誤差反傳播神經網絡，由輸入層、輸出層和若干隱含層組成，每層山若干個節點組成，每一個節點代表一個神經元，相鄰層的神經元通過權連接，同層各神經元互不相連接，最基本的BP神經網絡是三層前饋網絡，如圖1所示。
　　
　　圖1BP神經網絡結構
　　3基于BP神經網絡的安全監測數據預測
　　3.1構造網絡拓撲結構
　　目前，人工神經網絡尚處在學科的不成熟期，其理論還沒有完善到能提供一套可賴以遵循的設計方法。當前的開發設計還側重于實驗、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證明了任何在閉區間內一個連續函數都可以用一個隱層的網絡來逼近，此外理論的分析也表明了隱層數最多兩層即可。王文成在他的著作《神經網絡及其在汽車工程中的應用》一書中針對不同隱層、不同節點數的神經網絡擬合鋸齒波的實驗表明:當為單隱層時，隨著隱層神經元數的增加網絡性能有明顯改善，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絡收斂速度。因此盡管理論分析證明，單隱層網絡能映射一切連續函數，但對于實際問題隱層數的選擇主要還是取決于問題的性質及復雜程度。
　　增加層數主要可以進一步的降低誤差，提高精度，但同時也使網絡復雜化，從而增加了網絡權值的訓練時間。因此，采用最常用的三層BP網絡，含一層隱含層，已經能達到使用要求。
　　3.2輸入輸出層神經元數的確定
　　在實驗室環境下模擬現場巖土工程條件，利用監測軟件對監測儀器的數據進行遠程實時采集，以24小時為時間間隔，采集到10月份的數據。
　　巖土工程的形變主要由地基失穩，巖土狀態發生變化，承受各種壓力，以及不可預測的多種因素引起，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測值作為BP神經網絡的輸入:測縫計，表面應變計，應變計，靜力水準儀雙向測縫計，BP神經網絡的神經元個數為6。
　　由于輸出層僅一個節點，故輸出節點的輸入為隱含層所有節點輸出變量的加權和，最終網絡對應的輸出結果為隱含層節點到輸出節點連接權重。使用Sigmoid函數，本文選取輸出層神經元個數為1。輸出神經元即為能量化巖土工程變形的參數:位移值。
　　3.3隱含層神經元數的確定
　　網絡訓練精度的提高，可以通過采用一個隱含層，而增加其神經元數的方法來獲得。這在結構實現上，要比增加更多的隱含層要簡單的多，且其訓練效果也比增加層數更容易觀察和調整。因此，一般情況下，應優先考慮增加隱含層的神經元個數。隱含層節點數的選擇理論上沒有明確的規定，在具體設計時，比較實際的做法是通過對不同節點數進行訓練對比，然后適當加上一點余量。
　　對于前饋網絡而言，隱層神經元數目的確定也是一個重點。同樣當前隱層神經元的選擇也沒有成熟的理論作為指導。隱層神經元選擇過少，網絡獲得息過少，難以成功學習到事物的本質信息;隱層神經元過多又容易使網絡學習飽和，最終整個網絡容錯性不好。
　　3.4網絡學習參數的選取
　　（1）學習速率
　　學習速率決定每一次循環訓練中所產生的權值變化量。大的學習速率可能導致系統的不穩定;但小的學習速率導致較長的訓練時間，可能收斂很慢，不過能保證網絡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習速率以保證系統的穩定性。學習速率的選取范圍在0.0l-0.8之間。在這里因為數據之間的差別很小，為了提高預測精度，選取學習速率為0.005。
　　為了減少尋找學習速率的訓練次數以及訓練時間，比較合適的方法是采用變化的自適應學習速率，使網絡的訓練在不同的階段自動設置不同的學習速率的大小。
　　為了減少尋找學習速率的訓練次數以及訓練時間，比較合適的方法是采用變化的自適應學習速率，使網絡的訓練在不同的階段自動設置不同的學習速率的大小。
　　（2）期望誤差的選取
　　在網絡的訓練過程中，期望誤差也應通過對比訓練后確定一個合適的值，這要看隱含層的節點數是多少，因為較小的期望誤差是要靠增加隱含層的節點以及訓練時間來獲得的。一般情況下，可以同時對兩個不同期望誤差值的網絡進行訓練，作后通過綜合因素的考慮來確定。
　　3.5數據預處理
　　由于系統是非線性的，初始值對于學習是否達到局部最小、是否能夠收斂以及訓練時間的長短關系很大。一般總是希望經過初始加權后的每個神經元的輸入都接近于零，這樣可以保證每個神經元的權值都能夠在它們的S型激活函數變化最大之處進行調節。所以，一般取初始權值在(-1,1)之間的隨機數。因為所收集的數據不是在同一個數量級，我們將數據進行預處理后，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網絡的訓練諫度。
　　3.6運行結果與分析
　　利用神經網絡解決實際問題時，會涉及到大量的數值計算問題，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網絡時，是件麻煩的事情。而MATLAB是專門的數值計算和仿真軟件，它采用工程技術的計算語言，具有符號計算、數字和文字統一處理、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環境下實現網絡訓練及仿真的過程。
　　在進行BP網絡模擬時，需要對模型進行測試和訓練，所采用訓練樣本數越多，其模擬精度就越高，本文僅用10月份數據說明BP網絡使用情況。選取1-15日數據為訓練樣本，16-30日數據為測試樣本。
　　程序運行后得到隱含層數分別為11，13，15,17的訓練誤差曲線和預測誤差曲線圖。
　　通過對運行結果的分析，得出以下結論：從上面隱含層神經元數為11,13,15和17時的網絡訓練誤差可以看出，訓練誤差和預測誤差只有很細微的差別，仔細比較，隱含層神經元數為13時，所需的訓練用時較少，在這個模型應用中網絡預測的誤差比與選擇其他神經元數的隱含層時還要小。當隱含層神經元數增多時，其誤差并沒有減小。這說明了超過最理想的隱含層神經元數時，網絡預測的誤差會越來越大。
　　通過優化計算，隱含層神經元數為13時為最佳，其網絡預測的誤差最小。
　　通過反歸一化計算，得到預測測縫計的值與實際值的對比表。分別列出了隱含層神經元數為11,13,15和17時預測值與實際值的對比。
　　
　　圖2神經網絡預測值對比圖
　　通過對不同神經元隱含層預測準確性方面的對比表和神經網絡預測值對比圖的分析可以看出，隱含層神經元數為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，神經網絡的預測值最接近實際值，其誤差波動范圍最小。選取隱含層為13個神經元的神經網絡能有效地對巖土工程安全監測系統進行準確的預測，其誤差范圍較小，在可接受的范圍內。
　　4結論
　　本文結合巖土工程實際，簡單介紹了神經網絡的基本原理。在簡單闡述BP神經網絡結構的基礎上，詳細說明了BP神經網絡建模的詳細的步驟:初始化權值及閏值的選取，樣本的選取，計算輸出層各單元的輸入，傳遞參數的選擇，連接權和閥值的修正等。以巖土工程實驗室監測為例，詳細說明了用BP神經網絡建模對監測數據進行預測的方法，在MATLAB上仿真的結果表明:當選擇隱含層神經元為13時，其誤差在可接受范圍內，且誤差值最小，預測結果最精確。
　　參考文獻
　　[1]騰召勝，羅隆福，童調生.智能檢測系統與數據融合[M].北京:機械工業出版社，2000
　　[2]秦志強.數據融合技術及其應用[J].網絡信息技術，2003,22(5):2528
　　[3]楊萬海.多傳感器信息融合及其應用[M].西安:西安電子科技大學出版社，2004
　　[4]何友，王國宏.多傳感器信息融合及應用[M].北京:電子工業出版社，2000
　　[5]基于MLAB的系統分析與設計神經網絡[M].西安:西安電子科技大學出版社.1998

　　搜論文知識網致力于為需要刊登論文的人士提供相關服務,提供迅速快捷的論文發表、寫作指導等服務。具體發表流程為：客戶咨詢→確定合作，客戶支付定金→文章發送并發表→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。鳴網系學術網站，對所投稿件無稿酬支付，謝絕非學術類稿件的投遞！