基于卡爾曼濾波的BP神經網絡在滑坡監測的應用

雷鳴?賈凱華

摘 要：變形監測是大型建筑物、構筑物安全運營的保障性工作，為避免災害的發生，則需要進行相應的預測預警。傳統方法BP神經網絡在滑坡監測中容易陷入局部極小，收斂速度慢，網絡泛化能力弱等缺陷。為此本文提出基于卡爾曼濾波的BP神經網絡方法，通過對觀測數據進行濾波處理，用濾波數據處理進行相關訓練。能很好的提高BP神經網絡的性能，具有較高的預測精度。

關鍵詞：kalman濾波；BP神經網絡；預測；模型誤差

基金項目：江西科技學院規劃建設學科（結構工程）

資助項目：1、基于激光點云數據的窗戶提取技術研究，編號ZR14QN05 2、2010年江西省特色專業建設項目（土木工程）

1 BP神經網絡模型

1.1 BP神經網絡的算法

BP神經網絡的主要過程是由信息的正向傳播和誤差的反向傳播兩個過程組成。第一階段（正向傳播）：輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；最后傳遞到輸出層，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。

2 卡爾曼濾波

2.1 卡爾曼濾波的原理

卡爾曼濾波是以最小均方誤差為估計的最佳準則，來從觀測量中估計出所需信號的濾波算法。其最大特點是能夠剔除隨機干擾誤差，從而獲取逼近實際情況的有用信息[5-6]。

3 應用實例

本文利用基于卡爾曼濾波的BP神經網絡模型的方法，對江西省井岡山市某滑坡的變形監測數據進行分析。選取滑坡變形監測的沉降數據，首先利用卡爾曼濾波對其進行數據處理，剔除隨機誤差擾動的影響，再利用所得到的濾波值建立BP神經網絡模型進行預測，通過與觀測數據的對比，來驗證模型的可行性。

3.1 卡爾曼濾波方程的建立

一般在變形測量中，常用的卡爾曼濾波模型一般為和模型，這兩種模型都是將監測點的變形過程看成是一個隨機過程。本文采取的是模型，把滑坡監測點的位置和速率作為運動的狀態向量， 將沉降加速度看作狀態方程的動態噪聲。

4.1 基于卡爾曼濾波算法的BP模型

針對BP模型在變形監測的預測方面的局限性，采用原始觀測數據的卡爾曼濾波值進行BP神經網絡模型建模，由此模型得到預測結果：

由表三可以看出，由于卡爾曼濾波算法能很好的剔除數據干擾，在對數據進行濾波處理后，得到的預測值與觀測值比較接近，殘差相對較小，其殘差分別為3.75%，1.57%，3.91%，較傳統BP模型預測的精度有明顯的提高，能更好的反應目標的變化趨勢。

5 結束語

本文針對傳統BP模型的缺陷，提出基于卡爾曼濾波的BP神經網絡算法，在一定程度上改進BP算法的缺點，提高網絡泛化能力，更好的模擬了動態目標系統的變化規律，表明基于卡爾曼濾波的BP神經網絡方法是一種更有效地預測方法。

參考文獻

[1]夏開旺，石雙忠，楊永平.卡爾曼濾波在變形監測數據處理中的應用[J].三晉測繪，2004（12）

[2]蓋玲.時間序列建模、預報的原理與應用實例：[學位論文].沈陽：遼寧師范大學，2004

[3]鄧聚龍.灰理論基礎[M].武漢：華中科技大學出版社.2002.

[4]董長虹.神經網絡與應用[M].北京：國防工業出版社，2005.