建立相應(yīng)的安全監(jiān)控模型來(lái)分析大壩變形監(jiān)測(cè)資料對(duì)保障大壩服役安全意義重大。BP神經(jīng)網(wǎng)絡(luò)模型在此方面得到了廣泛應(yīng)用,但采用蟻群算法（ACO）對(duì)BP神經(jīng)網(wǎng)絡(luò)參數(shù)尋優(yōu)時(shí)存在因初期搜索完全隨機(jī)導(dǎo)致收斂速度慢的問(wèn)題。將具有快速隨機(jī)的全局搜索能力的遺傳算法（GA）引入蟻群算法中,利用遺傳算法指導(dǎo)生成初始信息素分布,再由蟻群算法正反饋尋得最優(yōu)解來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),從而得到大壩變形預(yù)測(cè)值,2種算法優(yōu)勢(shì)互補(bǔ),縮短了蟻群算法的搜索時(shí)間并避免陷入局部最優(yōu)點(diǎn)。在此基礎(chǔ)上,為進(jìn)一步提高預(yù)測(cè)精度,采用馬爾科夫鏈（MC）對(duì)預(yù)測(cè)結(jié)果進(jìn)行改進(jìn),由此建立了應(yīng)用于大壩變形監(jiān)控的GACO-BP-MC模型。工程實(shí)例分析表明,該模型在參數(shù)優(yōu)化方面具有較快的尋優(yōu)速率,且具有較高的擬合和預(yù)報(bào)能力。 

【文章來(lái)源】：長(zhǎng)江科學(xué)院院報(bào). 2019,36(07)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

GACO-BP-MC模型流程Fig．1FlowchartofGACO-BP-MCmodel2．5基于GACO-BP-MC的大壩變形監(jiān)控模型輸入和輸出向量的確定

2種算法的模型的訓(xùn)練誤差(歸一化樣本的實(shí)際輸出值與期望輸出值之間的均方誤差)下降折線(xiàn)圖。從圖2中可看出，GACO-BP算法迭代訓(xùn)練的起始誤差比基本ACO-BP算法的小;基本ACO-BP算法迭代次數(shù)為80次左右時(shí)才達(dá)到最終收斂誤差，而GA-CO-BP算法在20次左右就已經(jīng)達(dá)到，且最終收斂誤差明顯小于基本ACO-BP算法。上述結(jié)果說(shuō)明用遺傳算法來(lái)改進(jìn)蟻群神經(jīng)網(wǎng)絡(luò)算法使其在時(shí)間效率和求解效率方面均有了一定程度的提高，通過(guò)遺傳算法和蟻群算法的優(yōu)勢(shì)互補(bǔ)，不僅加快了算法逼近最優(yōu)解的收斂速度，而且提高了最優(yōu)解的精度。圖2訓(xùn)練誤差下降曲線(xiàn)對(duì)比Fig．2Comparisonoftrainingerrorcurves將上述最優(yōu)解對(duì)應(yīng)的權(quán)值組合作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，進(jìn)一步訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到的輸出結(jié)果通過(guò)反歸一化還原成大壩徑向位移的擬合值。圖3為GACO-BP模型和多元回歸模型的擬合曲線(xiàn)，多元回歸模型、GACO-BP模型的擬合均方根誤差分別為0．602，0．078mm。由圖3可以看出，GACO-BP模型擬合效果很好，多元回歸模型相對(duì)差一些。圖3模型擬合曲線(xiàn)Fig．3Fittingcurvesofmodels用上述GACO-BP模型訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，反歸一化后可得到大壩徑向位移的預(yù)測(cè)值。3．2MC模型修正殘差根據(jù)馬爾科夫鏈原理，將實(shí)測(cè)值與GACO-BP模型擬合值之間相對(duì)誤差取值區(qū)間劃分為4個(gè)狀態(tài)，結(jié)果見(jiàn)表1，由此確定相對(duì)誤差序列全部樣本的狀態(tài)。表1狀態(tài)劃分Table1Classificationofstates相對(duì)誤差界限/%［－1，－0．4)［－0．4，0)［0，0．4)［0．4，1)狀態(tài)編號(hào)S1S2S3S4利用馬爾科夫鏈分析相對(duì)誤差序列，可得到m?

而GA-CO-BP算法在20次左右就已經(jīng)達(dá)到，且最終收斂誤差明顯小于基本ACO-BP算法。上述結(jié)果說(shuō)明用遺傳算法來(lái)改進(jìn)蟻群神經(jīng)網(wǎng)絡(luò)算法使其在時(shí)間效率和求解效率方面均有了一定程度的提高，通過(guò)遺傳算法和蟻群算法的優(yōu)勢(shì)互補(bǔ)，不僅加快了算法逼近最優(yōu)解的收斂速度，而且提高了最優(yōu)解的精度。圖2訓(xùn)練誤差下降曲線(xiàn)對(duì)比Fig．2Comparisonoftrainingerrorcurves將上述最優(yōu)解對(duì)應(yīng)的權(quán)值組合作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，進(jìn)一步訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到的輸出結(jié)果通過(guò)反歸一化還原成大壩徑向位移的擬合值。圖3為GACO-BP模型和多元回歸模型的擬合曲線(xiàn)，多元回歸模型、GACO-BP模型的擬合均方根誤差分別為0．602，0．078mm。由圖3可以看出，GACO-BP模型擬合效果很好，多元回歸模型相對(duì)差一些。圖3模型擬合曲線(xiàn)Fig．3Fittingcurvesofmodels用上述GACO-BP模型訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，反歸一化后可得到大壩徑向位移的預(yù)測(cè)值。3．2MC模型修正殘差根據(jù)馬爾科夫鏈原理，將實(shí)測(cè)值與GACO-BP模型擬合值之間相對(duì)誤差取值區(qū)間劃分為4個(gè)狀態(tài)，結(jié)果見(jiàn)表1，由此確定相對(duì)誤差序列全部樣本的狀態(tài)。表1狀態(tài)劃分Table1Classificationofstates相對(duì)誤差界限/%［－1，－0．4)［－0．4，0)［0，0．4)［0．4，1)狀態(tài)編號(hào)S1S2S3S4利用馬爾科夫鏈分析相對(duì)誤差序列，可得到m步(m=1，2，3，4)狀態(tài)轉(zhuǎn)移矩陣為:P(1)=0．1540．1540．3850．3080．0430．5590．3660．0320．0510．4230．4360．0900．2000．3330．4000．067;P(2)=0．0770．4620．3080．1540


本文編號(hào)：3250181