本文關鍵詞：神經(jīng)網(wǎng)絡優(yōu)化模型在大壩變形預報中的應用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：大壩大多建造在水文、工程地質條件復雜環(huán)境中,且承受著巨大荷載的建筑物。對其進行實時監(jiān)測,利用大量的變形實測資料,分析評估大壩安全狀態(tài),并做出合理預報是確保大壩安全的重要手段。同時,由于大壩受諸多類似水壓力、揚壓力、溫度、時效以及許多不確定性因素的影響,且這些因素通常具有很強的隨機性,相互間關系復雜,使得建立在各次觀測相互獨立、觀測誤差期望為零的條件下的傳統(tǒng)數(shù)學模型無法用確切的定量關系式來描述這些因素與大壩位移量之間的關系。尤其當觀測資料較少或含有較大觀測噪聲誤差時,傳統(tǒng)的變形分析模型具有一定局限性。因此研究融合多門學科知識與技術方法,建立合適的組合變形分析與預報模型成為分析大壩變形趨勢與變形規(guī)律的重要課題。本文正是從該角度出發(fā),引入神經(jīng)網(wǎng)絡理論、遺傳算法、粒子群算法及改進的粒子群算法,研究融合了這些智能算法的神經(jīng)網(wǎng)絡優(yōu)化模型的可行性,結合具體的大壩工程,對神經(jīng)網(wǎng)絡優(yōu)化模型進行應用和比較。本文主要研究內(nèi)容如下:1)研究了神經(jīng)網(wǎng)絡、遺傳算法、粒子群算法的基本理論。神經(jīng)網(wǎng)絡算法在初始化時有很強的隨機性、收斂速度慢、易陷入局部極小值,利用遺傳算法和PSO算法對神經(jīng)網(wǎng)絡神經(jīng)元之間的連接權值和閾值進行全局優(yōu)化搜索,并對標準的PSO算法中的慣性權重進行了非線性改進。2)利用神經(jīng)網(wǎng)絡變量選擇法計算輸入模式中各影響因素的貢獻率,據(jù)此判斷影響因子的取舍,確定影響大壩變形的最終因子,對大壩位移監(jiān)測數(shù)據(jù)和大壩的最終影響因子進行樣本數(shù)據(jù)歸一化處理。3)建立基于遺傳算法、粒子群算法、改進粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡大壩變形預報模型。在MATLAB環(huán)境下,編制相應的建模分析程序,將該模型用于一些具有代表性大壩工程體的變形分析與預報,比較分析傳統(tǒng)數(shù)學統(tǒng)計模型、BP模型、遺傳算法優(yōu)化BP網(wǎng)絡模型、粒子群算法優(yōu)化BP網(wǎng)絡模型及改進的粒子群優(yōu)化BP模型的預報結果,結果表明:改進的粒子群優(yōu)化神經(jīng)網(wǎng)絡模型對大壩變形的預測精度較傳統(tǒng)大壩變形預報模型、BP神經(jīng)網(wǎng)絡模型及遺傳神經(jīng)網(wǎng)絡模型有較大提高。
【關鍵詞】：遺傳神經(jīng)網(wǎng)絡 粒子群神經(jīng)網(wǎng)絡 改進粒子群算法 變量選擇 預測精度
【學位授予單位】：桂林理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TV698.11
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 研究的背景和意義9-11
• 1.2 大壩監(jiān)測模型國內(nèi)外研究現(xiàn)狀11-12
• 1.3 本文研究的主要工作與結構安排12-14
• 1.3.1 本文主要研究的內(nèi)容12-13
• 1.3.2 本文結構13-14
• 第2章 人工神經(jīng)網(wǎng)絡理論14-25
• 2.1 人工神經(jīng)網(wǎng)絡概述14-15
• 2.2 人工神經(jīng)網(wǎng)絡基本原理15-19
• 2.2.1 人工神經(jīng)元的數(shù)學描述15-18
• 2.2.2 人工神經(jīng)網(wǎng)絡結構18
• 2.2.3 人工神經(jīng)網(wǎng)絡學習方式18-19
• 2.2.4 人工神經(jīng)網(wǎng)絡學習算法19
• 2.3 BP神經(jīng)網(wǎng)絡19-24
• 2.3.1 BP神經(jīng)網(wǎng)絡算法及實現(xiàn)20-22
• 2.3.2 BP神經(jīng)網(wǎng)絡的不足及改進22-24
• 2.4 本章小結24-25
• 第3章 傳統(tǒng)大壩預報模型和BP神經(jīng)網(wǎng)絡優(yōu)化模型25-46
• 3.1 傳統(tǒng)大壩監(jiān)測數(shù)學模擬方法25-26
• 3.1.1 統(tǒng)計模型25
• 3.1.2 確定性模型25-26
• 3.1.3 混合模型26
• 3.2 遺傳算法的基本原理26-28
• 3.2.1 遺傳算法基本概念26-27
• 3.2.2 遺傳算法的實現(xiàn)27-28
• 3.3 基于遺傳算法的BP神經(jīng)網(wǎng)絡28-32
• 3.3.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型28-30
• 3.3.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡可行性分析30-32
• 3.4 PSO算法基本理論32-36
• 3.4.1 PSO算法概述32-33
• 3.4.2 PSO算法的數(shù)學描述33-35
• 3.4.3 PSO算法的步驟流程35-36
• 3.5 PSO算法的幾種改進模型36-40
• 3.5.1 PSO算法存在的局限性36-37
• 3.5.2 PSO算法的幾種基本改進方法37-39
• 3.5.3 鄰域非線性動態(tài)調(diào)整策略的粒子群算法39-40
• 3.6 基于改進PSO算法優(yōu)的BP神經(jīng)網(wǎng)絡40-45
• 3.6.1 改進的PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡模型40-42
• 3.6.2 改進的PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡模型可行性分析42-45
• 3.7 本章小結45-46
• 第4章 神經(jīng)網(wǎng)絡優(yōu)化算法在大壩變形預報中的應用46-54
• 4.1 工程概況46-47
• 4.2 大壩變形影響因子的選擇及預處理47-50
• 4.2.1 大壩變形的影響因子47-48
• 4.2.2 大壩變形因子的篩選48-49
• 4.2.3 大壩變形因子的預處理49-50
• 4.3 IPSO_BP模型在大壩變形預報中的應用50-53
• 4.4 本章小結53-54
• 第5章 大壩安全監(jiān)測模型的分析與評價54-60
• 5.1 BP神經(jīng)網(wǎng)絡與傳統(tǒng)的大壩變形監(jiān)測模型的比較54
• 5.2 神經(jīng)網(wǎng)絡優(yōu)化模型的比較54-55
• 5.3 各種模型預報結果分析55-59
• 5.4 本章小結59-60
• 第6章 結論和展望60-62
• 6.1 主要工作和結論60
• 6.2 展望60-62
• 參考文獻62-66
• 個人簡歷、申請學位期間的研究成果及發(fā)表學術論文66-67
• 致謝67

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王鳳琴,高穎,趙軍;基于遺傳算法的神經(jīng)網(wǎng)絡優(yōu)化[J];燕山大學學報;2001年03期

2 苗君明,佟剛,楊者青;基于遺傳算法的神經(jīng)網(wǎng)絡優(yōu)化[J];沈陽航空工業(yè)學院學報;2005年03期

3 杜福銀;徐揚;盧明立;程林章;;有轉運運輸問題的Hopfield神經(jīng)網(wǎng)絡優(yōu)化方法[J];鐵道學報;2006年02期

4 李影;徐濤;邢偉;;基于進化遺傳算法的神經(jīng)網(wǎng)絡優(yōu)化[J];長春理工大學學報;2006年03期

5 楊華芬;楊有;尚晉;;一種改進的進化神經(jīng)網(wǎng)絡優(yōu)化設計方法[J];鄭州大學學報(工學版);2010年05期

6 鄭秀梅;羅憲;鄧娟;;基于神經(jīng)網(wǎng)絡優(yōu)化組合的供水預警機制[J];計算機與現(xiàn)代化;2011年04期

7 杜福銀;徐揚;盧明立;程林章;;一種作業(yè)車間調(diào)度問題的Hopfield神經(jīng)網(wǎng)絡優(yōu)化方法[J];機床與液壓;2006年11期

8 黃洪鐘,黃文培;系統(tǒng)可靠性的冗余分配及其神經(jīng)網(wǎng)絡優(yōu)化方法研究[J];西南交通大學學報;1996年05期

9 彭斌;胡常安;趙榮珍;;基于混合雜草算法的神經(jīng)網(wǎng)絡優(yōu)化策略[J];振動.測試與診斷;2013年04期

10 于萬林;趙浩峰;邱奕婷;鄭澤昌;林瑩瑩;張群;;利用神經(jīng)網(wǎng)絡優(yōu)化鐵基軟磁材料熱處理工藝研究[J];磁性材料及器件;2013年02期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 胡云安;左斌;吳建剛;;利用退火回歸神經(jīng)網(wǎng)絡優(yōu)化極值搜索算法[A];2005年中國智能自動化會議論文集[C];2005年

2 李崇威;楊波;陳月輝;;并行TABU在神經(jīng)網(wǎng)絡優(yōu)化中的研究與應用[A];2006年全國理論計算機科學學術年會論文集[C];2006年

3 張蕾;陳月輝;楊波;;基于并行PSO的神經(jīng)網(wǎng)絡優(yōu)化算法的研究[A];2005年全國理論計算機科學學術年會論文集[C];2005年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 胡紀元;神經(jīng)網(wǎng)絡優(yōu)化模型在大壩變形預報中的應用研究[D];桂林理工大學;2015年

2 鄭秀梅;基于神經(jīng)網(wǎng)絡優(yōu)化組合的供水預警機制[D];重慶交通大學;2011年

3 李雪;基于粒子群的糧食產(chǎn)量預測神經(jīng)網(wǎng)絡優(yōu)化研究[D];浙江海洋學院;2014年

4 羅蓬;鑄造過程數(shù)值模擬的神經(jīng)網(wǎng)絡優(yōu)化技術研究[D];四川大學;2004年

5 廖偉芳;基于分布估計算法的BP神經(jīng)網(wǎng)絡優(yōu)化設計[D];南京理工大學;2009年

6 谷芳春;神經(jīng)網(wǎng)絡優(yōu)化理論研究及應用[D];燕山大學;2003年

7 孫明;基于改進PSO的神經(jīng)網(wǎng)絡優(yōu)化方法及其在熱工系統(tǒng)中的應用[D];華北電力大學（河北）;2008年

8 胡僑丹;基于神經(jīng)網(wǎng)絡優(yōu)化的凸輪軸鑄造知識基工程（KBE）系統(tǒng)研究[D];四川大學;2004年

9 于佳;基于神經(jīng)網(wǎng)絡優(yōu)化算法的二階系統(tǒng)解耦研究[D];哈爾濱工程大學;2012年

10 王耀東;基于改進粒子群算法的BP神經(jīng)網(wǎng)絡優(yōu)化及應用[D];西安科技大學;2012年

  本文關鍵詞：神經(jīng)網(wǎng)絡優(yōu)化模型在大壩變形預報中的應用研究，，由筆耕文化傳播整理發(fā)布。

本文編號：304333