改进的BP神经网络模型在大坝安全监测预报中的应用吴云芳，李珍照（武汉大学水利水电学院，湖北武汉430072）摘要：针对BP神经网络模型存在的缺陷进行了改进，并将改进的BP模型应用于大坝安全监测中效应量的预报。示例证明，改进的BP神经网络模型与常规BP神经网络模型及回归统计模型比较具有明显的优越性。关键词：大坝；安全监测；改进BP神经网络；常规BP神经网络；水平位移；数学模型1前言目前，根据大坝安全监测中效应量的已有测值预报今后效应量的测值，通常采用的数学模型主要有统计模型、确定性模型、混合模型三种，但有时会出现回归失败、缺少必要的参数、模型预报精度不高等现象，从而不能满足工程要求。这时可以考虑使用神经网络模型。人工神经网络(ArtificialNeuralNetwork)自20世纪80年代以来，吸引了大批研究人员对其理论模型、学习算法、开发工具、实际应用和与其他机器学习方法的结合方面进行广泛深入的探索，范围涉及人工智能、认知科学、行为科学、物理学、心理学、神经科学、图像处理、语言学、控制论等广泛的领域。目前神经网络已经实际应用到模式识别、专家系统、机器学习等许多方面，表现出具有自组织性、自适应性、联想能力、模糊推理能力和自学习能力等优势。BP神经网络是目前较为成熟并且应用最广泛的神经网络模型之一。在大坝安全监测预报中，已出现BP模型应用的论文［１］。本文利用改进的BP神经网络模型对某大坝的水平位移进行分析和预报，结果表明，与常规BP模型及回归统计模型的预报结果相比，呈现明显优越性。2大坝BP神经网络预报模型2.1原理大坝BP神经网络结构如图1所示。图1大坝BP神经网络预报模型结构图1中所示网络结构有三层：第一层为输入层，有s1个神经元；第二层为隐层，有s2个神经元；第三层为输出层，有1个神经元。网络结构中具有r个输入矢量，即为与效应量预测相关的因子数；有一个输出矢量，即为效应量。网络中的不同层有不同的神经元数目，每个神经元都带有一个输入为常数1的偏差值。ｆ１、ｆ２、ｆ３为神经元的激活函数，这里均取为Sigmoid函数：在多层网络中，每一层的输出都是下一层的输入，所以可以将输入层看作是输入为r个相关因子，输出为A1；隐层看作是输入为A1，输出为A2；输出层看作是输入为A2，输出为效应量。其中A1、A2、A3可用下式表示：BP算法的主要思想是：对于给定的学习样本，使网络的输入等于样本的输入，然后用网络的实际输出和学习样本的输出之间的误差来修改权值，使网络的输出与样本的输出尽可能接近，即：使网络输出层的误差平方和达到最小。它是通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差的变化而逐渐逼近目标的。每一次权值和偏差的变化都与网络误差的影响成正比，并以反向传播的方式传递到每一层。BP算法的具体步骤见文献［２］。2.2存在的缺陷虽然BP神经网络得到广泛的应用，但也存在一些不足，主要表现在：2.2.1需要较长的训练时间对于一些复杂的问题，BP算法可能需要进行很多次训练才能收敛，占用较长的机时。这主要是由于学习速率太小所造成的。2.2.2系统训练不稳定由于学习速率决定每一次循环训练所产生的权值变化量，因此大的学习速率可能导致系统的不稳定。较大的学习速率在训练初始阶段并不成问题，且能够加速误差的减少，能比一般的学习速率产生更佳的误差减小率。但是随着训练的不断深入则出现了问题，由于学习速率过大，使网络每一次修正值太大，从而导致在权值的修正过程中超出误差的最小值而永不收敛。2.2.3有时收敛到局部极小值BP算法可以使网络权值收敛到一个解，但它并不能保证所求为误差超平面的全局最小解，很可能是一个局部极小解。这是因为BP算法采用的是梯度下降法，训练是从某一起点沿误差函数的斜面逐渐达到误差的最小值。对于复杂的网络，其误差函数为多维空间的曲面，因而在对其训练过程中，可能陷入某一小谷区，而这一小谷区存在的是一个局部极小值。由此点向各方向变化均使误差增加，以致于使训练无法逃出这一局部极小值。2.3改进针对BP网络的以上缺陷，分别采取以下改进措施：(1)对一个特定的问题，要...
