基于BP神經(jīng)網(wǎng)絡(luò)的沉降預(yù)測模型應(yīng)用

王成棟，霍成勝，孟軍海，張彩霞，張永勝

(青海省第三地質(zhì)礦產(chǎn)勘查院，青海 西寧 810029)

基于BP神經(jīng)網(wǎng)絡(luò)的沉降預(yù)測模型應(yīng)用

王成棟，霍成勝，孟軍海，張彩霞，張永勝

(青海省第三地質(zhì)礦產(chǎn)勘查院，青海 西寧 810029)

摘要：人工神經(jīng)網(wǎng)絡(luò)是一個(gè)擁有高度非線性映射能力的計(jì)算模型，有較強(qiáng)的動(dòng)態(tài)處理能力，在對(duì)其進(jìn)行研究的基礎(chǔ)上，利用MATLAB建立了BP神經(jīng)網(wǎng)絡(luò)的建筑物沉降預(yù)測模型，用于指導(dǎo)建筑物的沉降預(yù)警工作。通過將建筑物沉降的實(shí)測數(shù)據(jù)和模型的預(yù)測數(shù)據(jù)進(jìn)行對(duì)比分析發(fā)現(xiàn)，兩者間的誤差相對(duì)較小，預(yù)測模型能很好地反映出建筑物沉降的發(fā)展趨勢，對(duì)于建筑物沉降預(yù)警工作有著極其重要的意義。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；建筑物沉降；預(yù)測模型；沉降預(yù)警

1BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

1.1網(wǎng)絡(luò)的層數(shù)

BP神經(jīng)網(wǎng)絡(luò)擁有極強(qiáng)的非線性映射能力，通過輸入層到輸出層的函數(shù)計(jì)算來完成。較多的隱含層的建立，雖然能提高網(wǎng)絡(luò)的訓(xùn)練速度，增加人工神經(jīng)元網(wǎng)絡(luò)處理能力，但是訓(xùn)練時(shí)間也會(huì)隨之增長，使訓(xùn)練復(fù)雜化。理論上講，對(duì)于1個(gè)3層的BP網(wǎng)絡(luò)，只要隱含層神經(jīng)元的數(shù)目適合，網(wǎng)絡(luò)就可以任意精度去逼近一個(gè)非線性的函數(shù)[3-4]。

1.2網(wǎng)絡(luò)中隱含層神經(jīng)元個(gè)數(shù)的確定

BP神經(jīng)網(wǎng)絡(luò)算法中，各個(gè)層的節(jié)點(diǎn)數(shù)的多少對(duì)網(wǎng)絡(luò)有著較大的影響，但是，如何確定BP神經(jīng)網(wǎng)絡(luò)在隱含層神經(jīng)元個(gè)數(shù)仍然沒有理論研究成果，大多以經(jīng)驗(yàn)來判斷。若隱含層神經(jīng)元個(gè)數(shù)太少，則網(wǎng)絡(luò)很難識(shí)別樣本，難以完成訓(xùn)練，網(wǎng)絡(luò)的容錯(cuò)性也隨之較低；若隱含層的神經(jīng)元數(shù)目選擇過多，會(huì)使網(wǎng)絡(luò)的迭代次數(shù)增加，延長了網(wǎng)絡(luò)的訓(xùn)練時(shí)間，同時(shí)網(wǎng)絡(luò)的泛化能力降低，預(yù)測能力下降。本文的研究實(shí)例中，先利用經(jīng)驗(yàn)公式初步確定隱層神經(jīng)元的個(gè)數(shù)，再通過對(duì)神經(jīng)元個(gè)數(shù)的不斷調(diào)整訓(xùn)練對(duì)比，最終確定一個(gè)最合適的隱含層神經(jīng)元數(shù)目。隱含層神經(jīng)元個(gè)數(shù)確定的公式如下[5]：

(1)

式中，i是隱含層神經(jīng)元的個(gè)數(shù)；n是輸入層神經(jīng)元的個(gè)數(shù)；m是輸出層神經(jīng)元的個(gè)數(shù)；a是常數(shù)，取值范圍為1

2工程應(yīng)用

2.1工程概況

某地鐵施工需監(jiān)測周邊建筑物安全，該建筑物建為8層砼結(jié)構(gòu)，在隧道施工期間，對(duì)該建筑物進(jìn)行了不間斷的沉降觀測。監(jiān)測點(diǎn)均勻的布設(shè)在建筑物的四周主體墻面底部，利用徠卡高精度電子水準(zhǔn)儀對(duì)該建筑物進(jìn)行沉降觀測。

現(xiàn)選取靠近隧道暗挖部分的5個(gè)測點(diǎn)的30期沉降數(shù)據(jù)進(jìn)行研究，即點(diǎn)YP2、YP3、YP4、YP5、YP6。由于該側(cè)測點(diǎn)距離隧道較近，在施工期間建筑物發(fā)生了一定的不均勻沉降。建筑物點(diǎn)位示意圖如圖1所示。取前20期數(shù)據(jù)作為訓(xùn)練樣本，數(shù)據(jù)見表1。在MATLAB中，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，然后用訓(xùn)練好的網(wǎng)絡(luò)來預(yù)測接下來10期的數(shù)據(jù)。

企業(yè)收入來自資本收益，企業(yè)投資主要是形成固定資本。居民收入來自企業(yè)分配的收入、土地要素回報(bào)、勞動(dòng)者報(bào)酬和各類轉(zhuǎn)移支付，在繳納個(gè)人所得稅后，采用擴(kuò)展的線性支出系統(tǒng)將可支配收入用于儲(chǔ)蓄和商品消費(fèi)。政府收入主要來源于各種稅收，例如個(gè)人所得稅以及企業(yè)所得稅等等。政府支出主要用于購買各種公共產(chǎn)品、向居民提供轉(zhuǎn)移支付等。

圖1　建筑物點(diǎn)位示意圖

表1監(jiān)測點(diǎn)YP2、YP3、YP4、YP5、YP6前20期監(jiān)測數(shù)據(jù)(mm)

測量期數(shù)測點(diǎn)累計(jì)沉降YP2YP3YP4YP5YP61-0.5-1.2-2.1-1.5-0.92-0.8-1.7-2.8-1.9-1.33-1.3-2.1-3.5-2.3-1.64-1.7-2.7-3.9-2.6-2.25-2.0-3.3-4.7-3.5-2.66-2.3-4.2-5.4-4.5-3.07-2.9-5.6-6.6-4.9-3.38-3.6-6.4-7.4-5.8-3.89-4.2-7.3-7.9-6.5-4.210-4.9-7.9-8.6-7.1-4.411-5.5-8.5-9.2-7.6-4.912-6.1-9.0-9.8-8.1-5.813-6.8-9.4-10.7-8.5-6.314-7.4-9.9-11.9-9.3-6.715-8.5-10.3-12.5-9.8-7.416-9.1-10.8-13.1-10.9-7.917-9.8-11.2-13.9-11.8-8.518-10.6-11.8-14.5-12.5-9.019-11.4-12.8-14.9-13.4-9.720-11.7-13.3-15.6-14.0-10.1

2.2BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)

2.2.1建立網(wǎng)絡(luò)

在MATLAB中，使用newff命令來建立BP神經(jīng)網(wǎng)絡(luò)。通過多次調(diào)試，最終確定隱含層的節(jié)點(diǎn)數(shù)目為30[6-9]。傳遞函數(shù)是BP神經(jīng)網(wǎng)絡(luò)的重要組成部分，又稱為激活函數(shù)，其特點(diǎn)是必須連續(xù)可微，常用的有S型對(duì)數(shù)函數(shù)(logsig)或S型正切函數(shù)(tansig)和線性函數(shù)(purelin)。這里選用隱含層的激活函數(shù)為tansig 函數(shù),選用的輸出層激活函數(shù)為purelin函數(shù)。設(shè)置BP網(wǎng)絡(luò)的學(xué)習(xí)函數(shù)為learngdm函數(shù)，即梯度下降動(dòng)量學(xué)習(xí)函數(shù)，它是利用神經(jīng)元的輸入和誤差、權(quán)值或閾值的學(xué)習(xí)率和動(dòng)量常數(shù)來計(jì)算權(quán)值或閾值的變化率。BP網(wǎng)絡(luò)的訓(xùn)練函數(shù)選為trainlm函數(shù)，即采用Levenberg_Marquardt算法，該算法是梯度下降法和擬牛頓法的結(jié)合。在網(wǎng)絡(luò)具有幾百個(gè)權(quán)值時(shí)，運(yùn)用Levenberg_Marquardt算法可以達(dá)到較快的收斂速度，并且具有較高的計(jì)算精度。

2.2.2訓(xùn)練網(wǎng)絡(luò)

在MATLAB中，對(duì)一個(gè)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，需要預(yù)先設(shè)置BP網(wǎng)絡(luò)的訓(xùn)練參數(shù)。這里設(shè)置訓(xùn)練步數(shù)為5 000，訓(xùn)練精度為0.001，訓(xùn)練顯示間隔次數(shù)為500。具體參數(shù)設(shè)置如下：

net.trainParam.epochs=5000;

net.trainParam.goal=0.001;

net.trainParam.show=500;

訓(xùn)練結(jié)果如圖2所示。

圖2　網(wǎng)絡(luò)訓(xùn)練誤差變化曲線

從網(wǎng)絡(luò)訓(xùn)練誤差變化曲線圖上來看，當(dāng)訓(xùn)練到達(dá)第93步時(shí)，便達(dá)到了所期望的精度，訓(xùn)練速度較快。

2.2.3網(wǎng)絡(luò)仿真

利用sim命令對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行仿真，調(diào)用格式為：

Y=sim(net,X1)

(2)

2.3預(yù)測結(jié)果分析

對(duì)于建筑物的21～30期數(shù)據(jù)，利用建立的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)測，并把預(yù)測結(jié)果與實(shí)測結(jié)果進(jìn)行對(duì)比分析，對(duì)比結(jié)果見表2。

表2　監(jiān)測點(diǎn)YP2、YP3、YP4、YP5、YP6預(yù)測值與實(shí)測值對(duì)比表(mm)

從表2可以看出，預(yù)測值與實(shí)測值間的最小誤差為0，最大誤差為1.1 mm，均方根誤差為0.57 mm。預(yù)測值和實(shí)測值整體相符程度較高，預(yù)測結(jié)果較好地反應(yīng)了測點(diǎn)緩慢下降的趨勢，該模型也很好地指導(dǎo)了建筑物的沉降預(yù)警工作。

3結(jié)語

在BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立的過程中，隱含層神經(jīng)元個(gè)數(shù)的確定和訓(xùn)練算法的選擇都對(duì)網(wǎng)絡(luò)的訓(xùn)練速度和預(yù)測精度產(chǎn)生影響，理論上講，并沒有明確的要求和較好的指導(dǎo)，需要憑借個(gè)人的經(jīng)驗(yàn)和經(jīng)過多次的調(diào)試，以使其達(dá)到較好的訓(xùn)練效果。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力、函數(shù)逼近能力、模式識(shí)別與分類能力，網(wǎng)絡(luò)性能較好。本文采用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型對(duì)建筑物的沉降進(jìn)行了預(yù)測，取得了理想的結(jié)果，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)在預(yù)測方面的準(zhǔn)確性與高效性；同時(shí)，將BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型應(yīng)用到隧道周邊建筑物沉降監(jiān)測中，對(duì)于及時(shí)發(fā)現(xiàn)周邊建筑物的異常情況并提前預(yù)警也有著極為重要的意義。

參考文獻(xiàn)

[1] Simon H.神經(jīng)網(wǎng)絡(luò)原理[M]. 葉世偉，譯.北京：機(jī)械工業(yè)出版社，2004.

[2] 方毅，花向紅，李海英，等.灰色神經(jīng)網(wǎng)絡(luò)模型在建筑物變形預(yù)報(bào)中的應(yīng)用[J] .測繪工程，2008(2):51-57.

[3] 胡伍生.神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用[M].北京：測繪出版社，2006.

[4] 于先文，胡伍生，王繼剛.神經(jīng)網(wǎng)絡(luò)在建筑物沉降分析中的應(yīng)用[J].測繪工程，2004(4)：48-50.

[5] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.

[6] 巨軍讓，卓戎.B P神經(jīng)網(wǎng)絡(luò)在Matlab中的方便實(shí)現(xiàn)[J].新疆石油學(xué)院學(xué)報(bào),2008,2(1):12.

[7] 王琛艷，鄭治.人工神經(jīng)網(wǎng)絡(luò)在預(yù)測高速公路路基沉降中的應(yīng)用[J].公路交通科技，2000(4)：7-10.

[8] 胡守仁.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].長沙：國防科技大學(xué)出版社，1993.

[9] 米鴻燕，蔣興華.基于灰色BP神經(jīng)網(wǎng)絡(luò)的沉降觀測預(yù)測模型應(yīng)用研究[J].昆明理工大學(xué)學(xué)報(bào)，2007(4)：27-30.

責(zé)任編輯李思文

Prediction Model of Settlement based on BP Neural Network

WANG Chengdong, HUO Chengsheng, MENG Junhai, ZHANG Caixia, ZHANG Yongsheng

(The 3thInstitute Geological and Mineral Exploration of Qinghai, Xining 810029, China)

Abstract:The artificial neural network (ANN) is a computing model that has highly nonlinear mapping ability and strong dynamic processing capabilities. In the paper, on the basis of deep research, Used MATLAB to build BP neural network of building settlement prediction model for guiding building settlement early warning. Compared with building settlement of the measured data and model forecast data, it was found that the error between the two is relatively small and the prediction model reflected the development trend of building settlement accurately. So it has an important significance for building settlement early warning

Key words:BP neural network, building settlement, prediction model, settlement warning

收稿日期：2014-12-05

作者簡介：王成棟(1968-)，男，測繪工程師，主要從事工程測量、重力調(diào)查和GPS測量等方面的研究。

中圖分類號(hào)：TU 433

文獻(xiàn)標(biāo)志碼：A