遗传优化神经网络在大坝变形监测中的应用

论文摘要

人工神经网络作为一种人工智能技术经历了半个多世纪的发展,取得了令人瞩目的进展,其主要应用领域有模式识别和图像处理、控制和优化、预报和智能信息管理及通讯等。近几年来,许多水利工作者将其引入到大坝安全监测领域,利用人工神经网络模型的函数逼近能力拟合大坝变形监测效应量与相关环境量之间的复杂函数关系,实现环境量值对效应量值的预测功能,取得了良好的效果,有效地提高了监测模型的拟合成果和预测精度。但在人工神经网络应用于大坝变形监测领域的实际过程中,也存在着一定的局限性和弱点:如样本顺序对建模成果有一定影响、训练速度比较慢、训练抖动问题、容易收敛于局部极小点以及算法不一定收敛等,有时会影响到模型的成果,需要采取一定的方法和措施对人工神经网络的算法进行必要的改进。本文针对人工神经网络应用中存在的上述问题,介绍了多种改进方法与措施:如用所有样本的总效果对网络权值矩阵和阈值向量进行调整、调整量中加入动量项、标准化训练样本数据、优化激励函数以及给神经元的输出值添加偏置量等;同时还提出了一种新的优化人工神经网络模型的方法,即采用遗传算法对人工神经网络模型的网络结构和权值阈值进行全局优化搜索,以提高大坝变形监测人工神经网络模型的拟合成果和预测精度。遗传算法是一种建立在生物进化理论和遗传学知识基础之上的全局优化搜索方法,其研究始于20世纪60年代末期,随后经过几十年的发展,取得了丰硕的应用成果和理论研究进展,在机器学习、过程控制、经济预测、工程优化等领域取得了巨大的成功。遗传算法具有简单通用、鲁棒性强、适用于并行处理和应用范围广的优点。利用遗传算法对人工神经网络模型的结构、连接权值和阈值进行优化搜索,可以提高人工神经网络的函数逼近效果,而采用遗传算法还可以提高遗传算法的优化搜索速度和效果。本文详细的介绍了遗传算法的产生与发展、基本思想和理论、编码方法和基本操作及工作流程,总结了改进遗传算法搜索效果的措施和方法,建立了基于遗传算法的大坝变形监测人工神经网络模型,并将模型应用于大坝水平位移分析预测,取得了良好的拟合效果和预测精度,同时结合实际应用成果比较了各种大坝变形监测模型的拟合效果。

论文目录

• 摘要
• Abstract
• 1 引言
• 1.1 研究的背景及意义
• 1.2 国内外研究现状
• 1.3 本文主要研究内容
• 2 大坝变形监测资料小波分析处理
• 2.1 小波变换去噪的基本理论
• 2.2 小波变换去噪算法
• 2.3 大坝实测位移数据的噪声处理
• 2.4 小结
• 3 人工神经网络基本理论
• 3.1 人工神经网络概述
• 3.1.1 人工神经网络发展现状
• 3.1.2 人工神经网络的基本特点与功能
• 3.1.3 人工神经网络的应用领域
• 3.2 人工神经网络的基本原理
• 3.2.1 基本神经元模型
• 3.2.2 神经网络结构及工作方式
• 3.2.3 人工神经网络的学习方式
• 3.2.4 人工神经网络的学习算法
• 3.3 BP 网络结构与算法
• 3.3.1 BP 网络结构
• 3.3.2 BP 网络算法
• 3.4 BP 网络的设计
• 3.4.1 BP 网络输入与输出参数的确定
• 3.4.2 训练样本集的设计
• 3.4.3 BP 网络结构参数设计
• 3.5 BP 网络的缺陷及改进
• 3.5.1 BP 神经网络的缺陷
• 3.5.2 BP 神经网络的改进
• 3.6 小结
• 4 遗传算法基本理论
• 4.1 遗传算法概述
• 4.2 遗传算法基本原理与特点
• 4.2.1 遗传算法基本原理
• 4.2.2 遗传算法的特点
• 4.2.3 遗传算法的应用领域
• 4.3 遗传算法的实现
• 4.4 遗传算法与神经网络结合的可行性研究
• 4.5 小结
• 5 遗传优化神经网络在大坝监测中的应用
• 5.1 遗传神经网络权重优化算法
• 5.2 遗传神经网络模型的建立
• 5.3 实例分析与应用
• 5.3.1 BP 网络预测模型的应用
• 5.3.2 GA-BP 网络预测模型的应用
• 5.4 小结
• 6 大坝变形预测系统设计与实现
• 6.1 变形预测系统开发环境
• 6.2 变形预测系统功能模块设计
• 6.3 变形预测系统实现
• 6.3.1 变形预测系统界面设计
• 6.3.2 文件操作
• 6.3.3 数据预处理
• 6.3.4 模型参数设置
• 6.3.5 变形预测模型建立
• 6.3.6 结果图形显示
• 6.4 小结
• 7 结论与展望
• 7.1 结论
• 7.2 进一步的工作与展望
• 攻读硕士学位期间公开发表的学术论文
• 致谢
• 参考文献