改進的BP神經(jīng)網(wǎng)絡(luò)在高速鐵路變形分析中的應(yīng)用

胡震天,陳啟華,李正通(南寧市勘察測繪地理信息院,廣西南寧 530023)

改進的BP神經(jīng)網(wǎng)絡(luò)在高速鐵路變形分析中的應(yīng)用

胡震天?,陳啟華,李正通
(南寧市勘察測繪地理信息院,廣西南寧 530023)

摘 要:將BP(back propagation)神經(jīng)網(wǎng)絡(luò)應(yīng)用于高速鐵路變形分析中,依據(jù)BP算法的特性,采用通過加入動量項的方法來提高BP算法的運算速度,并對此改進方法進行了實例論證。

關(guān)鍵詞:高速鐵路;變形分析;BP神經(jīng)網(wǎng)絡(luò)

1　引 言

由于我國地質(zhì)結(jié)構(gòu)比較復(fù)雜,作為長大線型的高速鐵路,線下工程的沉降變形監(jiān)測和分析顯得極為重要。高速鐵路線下工程沉降的安全監(jiān)測、監(jiān)測數(shù)據(jù)處理及變形分析,是確保施工及運營安全的重要保障,必須選擇有效的監(jiān)測手段和變形分析方法。神經(jīng)網(wǎng)絡(luò)所反映的函數(shù)關(guān)系不必用顯式的函數(shù)表達式表示,而是通過調(diào)整網(wǎng)絡(luò)本身的權(quán)值和閾值來適應(yīng),具有很強的非線性映射能力[1,2]。目前,BP神經(jīng)網(wǎng)絡(luò)研究已在大壩的變形分析應(yīng)用方面取得了一定的成果,但同時我們還應(yīng)看到,標準的BP神經(jīng)網(wǎng)絡(luò)仍具有訓練速度慢的特點[3～5],本文對BP算法進行了改進,并將其運用到高速鐵路變形分析中,并與改進前的BP算法進行了比較分析。

2　BP神經(jīng)網(wǎng)絡(luò)

BP網(wǎng)絡(luò)是一個多層的單向傳播的前向網(wǎng)絡(luò)。網(wǎng)絡(luò)除了輸入和輸出節(jié)點外,還存在隱層節(jié)點,而且在同層之間不存在耦合。工作信號從輸入節(jié)點通過隱層節(jié)點傳輸?shù)捷敵龉?jié)點。每層節(jié)點的輸出只受上一層節(jié)點的輸入影響。隱層節(jié)點通常激活函數(shù)是Sigmoid型(f(x)= 1/ (1+exp(-Bx))(B〉0)),而輸出輸入節(jié)點有時也可以是線性的(f(x)= x)。

從輸入到輸出的BP神經(jīng)網(wǎng)絡(luò)是一個高度的非線性的映射,即F:Rn→Rm,F(X)= Y。對于樣本集合:輸入xi(∈Rn)和輸出yi(∈Rm),可看作存在某一映射g 使:g(xi)= yii =1,2,…,n,現(xiàn)在要求出某映射f,使其在某種條件下(通常為最小二乘),f認為是g的最佳逼近。運用神經(jīng)網(wǎng)絡(luò)對簡單的線性函數(shù)不斷地復(fù)合,就可以逼近一些復(fù)雜的非線性函數(shù)。

BP網(wǎng)絡(luò)包括輸入層、隱層和輸出層,各層之間都是相互連接的,如圖1所示。

圖1　BP網(wǎng)絡(luò)結(jié)構(gòu)

網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計沒有可以遵循的固定的步驟,還要依靠經(jīng)驗來選取一定的參數(shù),是一個綜合性的問題。利用基于BP算法的神經(jīng)網(wǎng)絡(luò)解決一些實際問題,成功的關(guān)鍵取決于是否能提高網(wǎng)絡(luò)的特性以及能否優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。對于三層的BP網(wǎng)絡(luò),初始權(quán)值的設(shè)置、激活函數(shù)的選擇、隱含層節(jié)點數(shù)的確定,這些內(nèi)容決定了其網(wǎng)絡(luò)的結(jié)構(gòu)。

3　BP神經(jīng)網(wǎng)絡(luò)的訓練算法及改進

BP神經(jīng)網(wǎng)絡(luò)的訓練學習過程由兩個部分組成,分別是正向傳播和誤差反向傳播。BP網(wǎng)絡(luò)算法的一般步驟如下:

(1)選擇網(wǎng)絡(luò)輸入,設(shè)置變量和參量;

(2)確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù);

(3)對網(wǎng)絡(luò)的連接權(quán)系數(shù)和神經(jīng)元閾值的初值進行賦值;

(4)輸入樣本的評價模型和期望值;

(5)計算樣本輸出層和隱含層中各單元的實際輸出值并計算方差Ei和E:對每一個輸入模式i,其誤差為:

系統(tǒng)總誤差為:

其中dik為對應(yīng)于第i個輸入模式第k個輸出層節(jié)點的期望值,yik為相應(yīng)的網(wǎng)絡(luò)輸出值;

(6)若給定的收斂值E〈ε,則結(jié)束學習,否則調(diào)整權(quán)值讓網(wǎng)絡(luò)進一步學習,直到系統(tǒng)平均誤差小于規(guī)定的要求為止;

(7)權(quán)值調(diào)整,使用遞歸從輸出層開始逆向傳播誤差,直到第一隱含層為止,并用下式調(diào)整權(quán)值:

Wij(t+1)= Wij(t)+IrδjXi(3)

式中的Xi是第i節(jié)點的輸出,IrδjXi是增益項,Wij為連接權(quán)值,δj為第j節(jié)點的誤差,Ir為學習步長,t為迭代次數(shù);

(8)轉(zhuǎn)到(5)步;

(9)向?qū)W習好的網(wǎng)絡(luò)輸入要評價樣本的評價因子。

BP算法雖然在大多數(shù)情況下可以得到滿意的結(jié)果,但是仍存在一些不足,如:

①由于BP算法的本質(zhì)其實是一個非線性優(yōu)化問題,局部極小的問題會常常不可避免地出現(xiàn),以至于得不到最優(yōu)解;

②學習算法收斂速度慢;

③隱含層節(jié)點個數(shù)的選取缺少理論依據(jù),學習訓練時都是根據(jù)經(jīng)驗來選取;

④BP網(wǎng)絡(luò)有時在學習新樣本常常會忘了已學樣本,同時也要求每個樣本有相同的特征數(shù)目。

本文采用加入動量項算法對標準的BP神經(jīng)網(wǎng)絡(luò)模型進行改進:

由于BP神經(jīng)網(wǎng)絡(luò)在學習過程中,只需要改變權(quán)重,而權(quán)重和權(quán)重誤差導數(shù)成正比。比例系數(shù)μ是學習過程的速率,它是一個常數(shù)。若我們能增大μ,則權(quán)重的改變也將加大,若能選擇合適的速率,使μ的值盡可能大但又不至于引起振蕩。這樣就可以為系統(tǒng)提供一個最快的學習,增大學習率而又不導致振蕩的方法,就是修改反傳中的學習速率,使它包含一個動量項,具體地說,就是每個加權(quán)調(diào)節(jié)量加上一項正比于前次加權(quán)變化的量(即本次權(quán)重的修改表達式中引入前次加權(quán)的權(quán)重修改)。這就要求每次調(diào)節(jié)完成后,要把該調(diào)節(jié)量記住,以便在下面的加權(quán)調(diào)節(jié)中使用。帶有動量項的加權(quán)調(diào)節(jié)公式為:

其中α為動量系數(shù),一般取0．9左右。

引入動量項相當于在網(wǎng)絡(luò)的學習過程中等效地改變了μ,μ不再是恒定的值。引入這個動量項后,使得調(diào)節(jié)向著底部的平均方向變化,不致產(chǎn)生大的擺動,即動量項起到緩沖平滑的作用。若系統(tǒng)進入誤差函數(shù)面的平坦區(qū),那么誤差將變化很小。

4　實例分析

為了體現(xiàn)改進方法的優(yōu)越性,現(xiàn)結(jié)合某高鐵橋墩沉降變形監(jiān)測數(shù)據(jù)來進行分析驗證。現(xiàn)取橋墩變形監(jiān)測網(wǎng)中的兩個墩身觀測標DK1252+590D2和DK1252 +614D1的20期數(shù)據(jù)進行分析,利用前15期觀測數(shù)據(jù)序列作為訓練樣本,分別采用傳統(tǒng)BP算法模型和對數(shù)據(jù)歸一化后加入動量項的改進BP算法模型對后5期觀測數(shù)據(jù)進行預(yù)測,如表1、表2所示。

DK1252+590D2沉降觀測標的沉降量 表1

DK1252+614D1沉降觀測標的沉降量 表2

傳統(tǒng)BP算法和改進的BP算法預(yù)測結(jié)果:

DK1252+590D2沉降觀測標的沉降量預(yù)測結(jié)果 表3

DK1252+614D1沉降觀測標的沉降量預(yù)測結(jié)果 表4

圖2　DK1252+590D2沉降觀測標的沉降量預(yù)測結(jié)果比較圖

圖3　DK1252+614D1沉降觀測標的沉降量預(yù)測結(jié)果比較圖

從表3和表4中的計算結(jié)果可以看出,改進的BP算法的絕對誤差中小于0．1的比例比傳統(tǒng)BP算法的大,由于對數(shù)據(jù)進行了歸一化處理以及加入了動量項,使得改進后的算法精度更高,訓練學習速度加快,并且使學習避免陷入局部最小。圖2和圖3說明了改進后的BP算法在沉降數(shù)據(jù)預(yù)測中的預(yù)測曲線比傳統(tǒng)BP算法的預(yù)測曲線更符合實測值的曲線趨勢,體現(xiàn)了改進算法的優(yōu)勢。

5　結(jié)　論

從實例可以得出改進的BP算法由于對數(shù)據(jù)進行了歸一化處理以及加入了動量項,使得改進后的算法精度更高,訓練學習速度加快,并且使學習避免陷入局部最小,說明改進的算法優(yōu)于傳統(tǒng)BP算法。

參考文獻

[1] 袁曾任．人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M]．北京:清華大學出版社,南寧:廣西科學技術(shù)出版社,1999．

[2] 樊琨．基于人工神經(jīng)網(wǎng)絡(luò)的大壩位移預(yù)測[J]．長江科學院院報,1998,15(5):45～48．

[3] 楊杰,吳中如,顧沖時．大壩變形監(jiān)測的BP網(wǎng)絡(luò)模型與預(yù)報研究[J]．西安理工大學學報,2001,17(1):25～29．

[4] 吳秀娟．人工神經(jīng)網(wǎng)絡(luò)在大壩監(jiān)測數(shù)據(jù)分析中的應(yīng)用研究[D]．武漢大學,2003．

[5] 胡上尉．多層前饋神經(jīng)網(wǎng)絡(luò)算法的改進及研究[D]．重慶大學,2006:21～23．

[6] 周紅曉,蔡俊,任德官．一種優(yōu)化多層前饋神經(jīng)網(wǎng)絡(luò)中隱節(jié)點數(shù)的算法[J]．浙江師范大學學報·自然科學版, 2002,25(3):268～271．

[7] 張正祿,黃全義,文鴻雁等．工程的變形監(jiān)測分析與預(yù)報[M]．北京:測繪出版社,2007．

[8] 樂紅,余飛,韓卓等．武廣鐵路客運專線超載預(yù)壓路基沉降評估技術(shù)[J]．鐵道標準設(shè)計,2010(2):11～14．

[9] 王新征,鄭偉花．人工神經(jīng)網(wǎng)絡(luò)在預(yù)測軟基沉降中的應(yīng)用研究[J]．路基工程,2010(1):128～130．

[10] 羅波,遠禎．改進BP網(wǎng)絡(luò)在深基坑變形預(yù)測中的應(yīng)用[J]．工業(yè)建筑,2006(S):79～81．

[11] 賀昌政,李曉峰,俞海．人工神經(jīng)網(wǎng)絡(luò)模型的新改進及其應(yīng)用[J]．數(shù)學的實踐與認識,2002,7(4):554～561．

[12] 陳啟華．小波神經(jīng)網(wǎng)絡(luò)在高速鐵路變形監(jiān)測中的應(yīng)用[D]．桂林理工大學,2012．

The Application of Improved BP Neural Network in the High-speed Railway Deformation Analysis

Hu Zhentian,Chen Qihua,Li Zhengtong
(Nanning Exploration & Survey Geoinformation Institute,Nanning 530023,China)

Abstract:In this paper,BP neural network can be used in the high-speed railway deformation analysis．Based on the character of BP algorithm,this dissertation uses a method to improve calculation speed of BP algorithm by adding a momentum and further prove this method by example analyze．

Key words:the high-speed railway;deformation analysis;BP neural network

文章編號:1672-8262(2015)04-145-03中圖分類號:TU196+．1

文獻標識碼:B

收稿日期:?2015—01—12

作者簡介:胡震天(1983—),男,工程師,主要從事攝影測量與遙感生產(chǎn)、研發(fā)及技術(shù)管理工作。