BP模型在闽江岸线变形预测中的应用
基于BP神经网络在坝体水平位移预测中的研究
第 ５期
２ １ ２月 ０ １年
科
学
技
术
与
工
程
⑥
Ｖ０ ＿１ Ｎｏ ５ Ｆｅ ．２ １ １ １ ． ｂ ０１
１７ — １１ ２ １ ） — １２０ ６ １ ８ ５（ ０ １ ５ １０ ． ３
Ｓ ｉｎ ｅ Ｔ ｃ ｎ ｌ ｇ ｎ ｎ ｉｅ ｒ ｇ ｃｅ ｃ ｅ ｈ ｏ ｏ ｙ ａ ｄ Ｅ ｇｎ ｅ ｉ ｎ
一
－
● ＇ ● －
围之 间选取 ， 各 种 隐层 数 的情 况 ， 别 进 行 网络 对 分
０
仿 真 ， 据 预 测 值 与 实 测 值 逼 近 程 度 ， 出 最 佳 的 根 得
隐层 数 目。 同样 对 几 种 不 同 的 学 习 速 率 也 进 行 网
络仿 真 ， 到 最佳 的学 习速 率 。 因为 学 习速 率 过 高 得
大 型软件 计算 而 节 约成 本 。将 实 测 值 、 测 值 和计 预 算 值三 者结合 起来 ， 监测 大坝 的安 全运行 。 本文 讨论 ＭＡ Ｌ Ｂ软 件 中 Ｂ ＴＡ Ｐ神经 网络 功 能在
２ Ｂ Ｐ网络 预 测 模 型
Ｂ Ｐ网络模 型一 般 由 由输 入层 、 隐含 层 和输 出层
组成。
坝 体位移 方 面的预 测 。
输 入量选 择 对 输 出影 响 大 且 能 够 检 测 或 提 取
的变量 ， 大 坝 中选 择 对 坝 体 位 移 影 响 显 著 的 因 在
２１ ０ ０年 １ １月 ３ 日收 到 ０
素， 如上 下游水 位 、 度 和 时效 等 因素 ， 个 数 即为 温 其
１ ４０ ｌ ２０ １ ００
Ｎ ＝厕 ２
＋
基于BP神经网络的河道断面变形预测模型
2002年11月水 利 学 报SHUILI XUE BAO 第11期收稿日期:2001-07-27基金项目:科技部“863计划”和世界银行资助ANFA S 项目,教育部科技研究重点项目(02134),武汉大学科技创新基金作者简介:张小峰(1962-),男,浙江嵊州人,教授,从事河流动力学和防洪减灾方面的研究。
文章编号:0559-9350(2002)11-0008-06基于BP 神经网络的河道断面变形预测模型张小峰1,谈广鸣1,许全喜1,2,石国钰2(1.武汉大学水利水电学院,水沙科学教育部重点实验室,湖北武汉 430072;2.长江水利委员会水文局,湖北武汉 430010)摘要:采用“试错法”,以及通过建立网络训练学习过程与网络特征参数之间的反馈机制,对BP 神经网络隐含层单元数和特征参数进行优化选择。
在此基础上,以河段水沙条件、水流主流位置及河道边界条件为输入向量,河道断面高程或冲淤变形为输出向量,建立了基于B P 神经网络的河道断面变形预测模型。
经长江中游马家咀河段实测资料验证,模型能准确模拟和预测该河段各断面的冲淤变化过程。
关键词:断面变形;BP 神经网络;预测模型中图分类号:TV147文献标识码:A现行研究河道变形的手段主要有三种:河工模型试验、泥沙数学模型和河床演变分析。
其中河床演变分析方法以历年水文泥沙及河道地形观测资料为基础,对河段的演变规律和发展趋势作出宏观分析和定性推理。
河工模型试验和泥沙数学模型以水流、泥沙连续方程,水流运动方程,河床变形方程为基础推导出相应的比尺关系式或离散方程,分别进行试验和数值模拟。
由于自然现象的复杂性如粘性土河床的演变,其中的一些影响因素之间尚不能用简单的力学关系来描述,使河工模型试验和泥沙数学模型的模拟精度和可靠性受到一定限制。
随着现代控制和系统理论的不断发展,出现了许多描述非线性动力系统的新方法和新理论,国内外已将神经网络模型成功地应用于水资源、水环境评价、产流产沙及洪水预报等方面的研究[1,5,6]。
基于RF-GM(1,1)-BP_模型预测福州市财政收入
Advances in Applied Mathematics 应用数学进展, 2023, 12(7), 3240-3249 Published Online July 2023 in Hans. https:///journal/aam https:///10.12677/aam.2023.127323基于RF-GM(1,1)-BP 模型预测福州市财政收入刘 威，张 巧，王文博，许 可，张慧妍，金秀玲*闽江学院数学与数据科学学院(软件学院)，福建 福州收稿日期：2023年6月18日；录用日期：2023年7月13日；发布日期：2023年7月20日摘要掌握市场趋势和规划收支费用对于财政部门而言具有极为重要的意义。
本文选取1994~2021年福州市年财政收入相关数据，采用随机森林(RF)模型识别出财政收入的关键影响特征，随后建立GM(1,1)-BP 组合模型，对2022~2025年福州市的年财政收入进行预测。
预测结果表明RF-GM(1,1)-BP 组合模型十分适合用于预测福州市财政收入；同时，福州市财政收入将在2021年之后稳步增长，并在2025年到达7,999,256万元。
该结论能为相关部门实施的决策提供一定的理论参考。
关键词财政收入，随机森林，GM(1,1)，BP ，组合模型Predicting Fuzhou City’s Fiscal Revenue Based on RF-GM(1,1)-BP ModelWei Liu, Qiao Zhang, Wenbo Wang, Ke Xu, Huiyan Zhang, Xiuling Jin *School of Mathematics and Data Science (School of Software), Minjiang University, Fuzhou FujianReceived: Jun. 18th , 2023; accepted: Jul. 13th , 2023; published: Jul. 20th, 2023AbstractMastering market trends and planning revenue and expenditure expenses is of great significance for the financial department. This paper selects the relevant data of Fuzhou’s annual financial revenue from 1994 to 2021, uses the random forest (RF) model to identify the key impact charac-teristics of financial revenue, and then establishes a GM(1,1)-BP combination model to predict the annual financial revenue of Fuzhou from 2022 to 2025. The prediction results indicate that the RF-GM(1,1)-BP combination model is very suitable for predicting the fiscal revenue of Fuzhou City;*通讯作者。
BP神经网络与模糊控制在隧道施工中的预测与应用
文 。 李怀 国 （ 贵州省 交通规划勘察设计研 究院 贵 阳）
函
工 进 度的 需 要 ，为 隧 道 的施 工 提供 准 确 可 靠 的地 质 资料 ；Ｏ 位移 监 测 ，包括 周 边 ３ 收 敛和 拱 顶 下沉 位 移 监 测 ，拱 顶 下沉 测 线 布 置 ，测 线 布 置和 数 量 与地 质 条件 、开 挖 方 法 、位 移 速度 有 关 。 根据 设 计 文件 提 供 的 信 息 ，确 定采 用 下 图所 示 测 线布 置 。 项 糊 控 制 技 术 对 隧 道 的 掘 进 过 程 进 行 施 工 控 目开 展后 再 依情 况 调 整 。 周边 收 敛一 般 地 制 。 通 过 对 比 ， 发 现 用 本 文 的 方 法 进 行 预 段应 采用 ２～３条测 线 ，但拱脚 处必须 有一 测 与 实际 情 况 基本 吻合 ，研 究成 果 为 隧道 条 水 平 测 线 。若 位 移 值 较 大 或 偏 压 显 著 ， 掘 进过 程 中的施 工控 制 和 预测 预 报提 供 了 可 同时 进 行 绝 对 位移 量测 。 新 的 思路 。 四 、隧 道 施 工 前 期 的 数据 分析 关键 词 ：隧道 ；拱 顶 下沉 ；１Ｐ神 经 网 ３ 根 据 现场 施 工 条件 及 地 质 条件 ，该 工 络 ； 模 糊 逻 辑 控 制 程 采 用新 奥 法施 工 ，对 地 质条 件 复杂 、稳 引 言 定 性极 差 的 岩 层地 段 进 行重 点监 测 ，选 择 Ｂ Ｐ 神 经 网络 是 使用 最 为广 泛 的人 工 此 范 围 内的 断 面 ｚ Ｋ ２ ＋ ８ ３ ０ 、 ｌ ６ ６＋８ ４０、 ＺＫ ２１ ６＋８ ５０、 ＺＫ２１ ＋８６ ６ ０、 神 经 网络 之一 ，它具 有 较 强的 非 线性 动 态 ＺＫ２ｌ 处 理能 力 ，无 需 知道 变 形 与 力学 参数 之 间 Ｚ Ｋ ２ １６＋ ８ ７ ０ 重 点进 行 研 究 。断 面 的 关 系 ，可 实现 高 度非 线性 映 射 ，其较 强 Ｚ １ ＋ Ｋ２ ６ ８ ０处拱顶下沉 的时 间曲线 比较典 ３ 的 学 习 、存储 和 计算 能 力 ，特 别 是 较强 的 型 ，拱 顶 测 点随 着 时 间 的增 长 ，累计 拱 顶 容 错 特 性 ，适 用 于 从 实 例 样 本 中提 取 特 下 沉量 逐 渐 增大 （ 顶 向下 沉 降位 移 值 小 拱 征 ，获 取 知识 ，从而 较 好 地表 达 位移 和 力 干 零 ，本 文 将神 经 网 络 与模 糊控 制 器 技 术 学 参数 间 的隐 式非 线 性 映射 关 系 ，人工 神 结 合起 来 ，通过 模 拟 训 练 ，得 到 理想 的 神 经 网络 近 年来 在土 建 方 面应 用 较 多 ，其 主 经 网络 参 数 和模 糊 逻辑 准则 ，然 后用 于 位 要优 点 是 无须 建 立输 入 值 与输 出值 之 间 具 移 预 测 和 施 工监 控 。 体 的数 学 力学 关 系式 ，只 需通 过 对 样本 值 五 、神 经 网 络 计 算 原 理 的 训练 和 学 习得 到 网络 的 最佳 连接 权 值 和 ＢＰ 神 经 网络 模型是 当前应 用最广 泛 闽值 ，并 通过 新 的样 本 值对 上 述模 型进 行 也 是发 展 最 成熟 的 一 种 网络 模 型 ，通 常 由 检验 ，若 检验 合格 ，便 成 功得 到 了 预期 的 输 入 层 、输 出 层和 隐 含 层构 成 。 层与 层 之 人 工神 经 网络 模 型 ，并 可 以用 来 进行 下 一 间 的神 经 采 用全 互 连 的连 接 方式 ，通 过 相 步 的 预测 预 报 。 应 的网络 权 系数 ｗ 相互 联 系，每 层内 的神 二 、工 程 概 况 经 元之 问没 有连 接 。 网 络结 点 作 用 函数 有 全长 ５９公里的攀 田高速 公路 ，北接 西 很 多 ，本文 采 用较 常用 的 Ｓ 型逻 辑非 线性 昌至 攀 枝 花 高 速 公路 ，南 接 云 南 省 永 仁 函数 。 （ 川滇界 ）至 元谋高 速公 路 ，被誉 为 “ 南方 通 过训 练 和 学 习 ， 可确 定 网络 的 连接 丝 绸 之路 ”贸 易通 道 ，为 交 通部 规 划 的 ８ 权 值和 阈 值 等参 数 ，这样 ，也 就 确定 了输 条西 部 大通 道 之一 的 甘肃 兰州 至 云 南 入 向量 与输 出 向量 的映 射 关 系 然后 ，将 磨憨 口岸 公路 的核心路段 ，总投资 ２ ８亿 新 的输 入 输 出样 本 值代 入 上述 神 经 网络 ６． 元人民币 。其中全长 ２ ８米的望江 岭隧道 模 型进 行 验证 。验 证 合格 的 神 经 网络 模 型 ８４ 洞身 最大埋 深约 ３ ，为 全线 最长 的一 即 为 所 需 。 ０ｍ ２ 条 隧 道 ，是 四 川 与 云 南 接 壤 处 的 最 大 隧 六 、控 制 器 的 实 时 控 制 道 ，该 隧道 下穿 ｌ ８国道 ，全线 范 围内地 ０ 人 工神 经 网 络 与模 糊 控制 理 论 的结 合 质 条件 极其 复 杂 ：软 质 岩受 地 质 卸荷 影 响 延 伸 了传 统 模糊 控 制理 论 和 神 经 网络 技术 较重 、陡倾 状 裂 隙岩 体破 碎 、岩 层稳 定 性 的 功能 ，使 得模 糊 控 制理 论 的应 用 范 围得 极差 等 复 杂的 地 质地 貌特 征 ，施 工难 度 最 到 拓展 ，本 文应 用 模糊 逻 辑 控制 理 论 进行 为艰 巨 ，被列 入重 点 控制 性 工 程进 行 科技 实 际隧 道 工程 的 施 工控 制 。 将总 位 移 值 和 攻关。 位移 变化 量 （ 后 两次 总位 移差 值 ） 为输 前 作 三 、 隧道 施 工 过 程 中 的监 测 项 目 入 变量 ，通过 模 糊 控制 器可 推得 相 应 的施 隧道 掘 进过 程 中 的监 测项 目主 要有 以 工控 制 方案 ，从 而 达 到控 制 隧洞 变 形 的 目 下几 项 ：Ｃ ｌ隧道 初 期 支护 背后 回填质 量 的 。隶 属 度 函数 的 确定 是 模 糊控 制 器 处理 监 测 ，针对 Ｉ 、Ｉ Ｉ类围岩的 初期 支护背后 问题的关键步骤 ，本文采用 ＭＡＴＬＡＢ６．１ Ｉ Ｉ 回填 质量 ，采 用地 质 雷达 技 术 按三 条纵 线 模糊 逻 辑 工具 箱 提 供的 中间 对称 型 隶 属度 进行 背后 空 洞情 况 检 测 ， 同时 采用 该 技 术 函 数 ： 按每 ５ ｍ 一 个断面 （ ０ 布置 ７个 点 ）检测 喷 射 混凝 土 厚度 及其 背 后空 洞情 况 ；ｏ 按 ２ ｕ （ Ｉｋ ｌ ａ 。，ｂ （＞ ， ＞ 为正 照施 工设 计 条 件和 国 家及 交通 部 现 行 的物 探 、勘查 等 技 术标 准 、规 范 进 行地 质超 前 偶数 ） （） ７ 预 报 工作 ，探 明隧 道 掌子 面 前 方是 否有 断 本 文以 大 量的 隧 道 监测 资 料 和施 工 经 层、 暗河及煤 层等不 良地 质 ，满 足隧道施 验 为依 据 ，并 重 点 总结 了隧 道前 期 的监 测
BP神经网络方法在大坝基岩变形监测中的应用
维功能 ， 是一个 具有 高度非线 性的大规模 连续 时间 自 应信 息处 适 维数或 提取 的特 征组数 ； 出节点数取输 出空 间的维数 。隐含层 输 理 系统 ， 其最主要的特征为连续时间线性 动力学 网络 的全局 联动
将最终影 响模型 的拟合及预报效果 … 。
从而得 到合 适 的网络连 接权 ， 对新 的样本 进行 识 度上 已无法完全描述大坝安全监测 量之 间的非线性 映射 关系 ， 并 到设定 的要求 ， 人工神经 网络是在对人脑认识 的基 础上 ， 拟人脑 结构 的思 模 Ｂ Ｐ神经 网络 的输 入层 和输 出层 的节 点数 由应用 要 求决定 。 输入节 点数一般 等于要训 练的样本 矢量维数 ， 以是 原始数 据的 可
— —
激活 函数 ， Ｓ型 、 如 线性 、 竞争 层 、 和线 性等激 活函数 ， 饱 使设 计者 对所选定 网络输 出的计算 ， 变 为对激 活函数 的调 用 。另 外 ， 转 可 以根据各种典型 的修正 网络权值 的规 则 ， 加上 网络 的训练 过程 ， 利用 Ｍａ ａ 语 言编写各种 网络 权值训 练的子程序 。这样一来 ， ｔｂ ｌ 网
载等 因素 的影响 ， 而这些 因素对大坝位移 的影 响往往无 法用 确切
则 反向传播 ， 将输 出信号 的误差 按原来 的连 接通路 返 回， 过修 通 改各层神经元 的权值 ， 使误 差减 小。如此反 复进 行 ， 至误差 达 直
别 ］ 。
露天矿边坡预警方法与预警 系统总结
露天矿边坡预警方法与预警系统总结1 滑坡预测预报方法（矿山边坡稳定性评价及失稳预报研究现状与发展趋势）随着科学技术发展,露天采矿工程边坡已经成为困扰矿山安全生产的重要问题。
其稳定性是保证矿山正常生产的先决条件。
边坡失稳是指在采矿过程中边坡的土体在自身重力和外界作用力下失去原有平衡，出现滑坡、坍塌等现象。
与其他岩土工程相比,露天矿边坡稳定性具有如下特点：(1)露天矿边坡一般较高,高度从几十米到几百米不等，边坡各部分地质条件差异大、变化复杂。
（2）露天矿的边坡是由上往下逐步形成,高陡边坡越往上稳定性越差,软弱夹层较多，受风化、地表水侵蚀的时间较长,易产生滑坡现象。
（3）露天边坡采用爆破、机械开掘形成,岩体完整性遭到破环,故边坡岩体较破碎不稳定。
影响露天边坡稳定性的因素,分为内因和外因两方面。
内因影响主要包括岩性、岩体结构、地质构造等；外因影响主要包括水、震动、构造应力、自然风化与气候、开采技术条件、人为因素等。
滑坡预测预报主要包括空间和时间2个方面。
空间预测是指对滑坡发生的地点、规模等的预测,目前使用较多的方法有以下几种：（1）稳定系数预测法。
稳定系数预测法是最早的滑坡空间预测方法。
该法通过计算滑坡体的安全系数来预测某一具体边坡的稳定性。
安全系数的计算方法，主要分为2大类：基于极限平衡分析法和数值计算方法。
极限平衡分析法不能得到滑体内的应力、变形分布状况,也不能求得岩体本身的变形和支挡结构对边坡变形及稳定性的影响。
而数值计算克服了极限平衡分析法的不足，不仅满足力的平衡条件,而且还考虑了土体应力、变形关系和支挡结构的作用,能够得到边坡在荷载作用下的应力、变形分布,模拟出边坡的实际滑移面。
正因为数值计算的这些优点,近年来它已广泛应用于边坡稳定性分析。
目前常用的数值计算方法主要包括:有限单元法,有限差分法,离散单元法(DEM),不连续变形分析法(DDA),流形元法等。
（2）人工神经网络法。
人工神经网络(ANN)是模仿人脑工作方式而设计的一种机器。
基于模拟退火遗传算法优化的BP网络在质量预测中的应用
压时间、 注射速 度等参 数 。 进行数值模拟实验 ， 建立 Ｂ Ｐ神经 网络的翘曲量预测模 型。针对 Ｂ Ｐ神经 网络 易陷 入局部最优 解的缺陷 ， 计一种基于模拟退火遗传算法优化的 Ｂ 设 Ｐ网络模型 。 Ｂ 与 Ｐ网络的预测精度 对 比。结 果表 明 ， 于模拟退 火 基
遗传算 法优化 的 Ｂ Ｐ网络模 型预 测精度 高于 Ｂ Ｐ网络模 型， 同时加快收敛速度 ， 增强全局搜 索能力 。图 ６ ５ １ 表 参 ５
Ａｎ ｅｌ ｇＡｌｏ ｉ ｍ ｏ ｅＱｕ ｌｙＰ ｅ ｉｔ ｎ ｎ ａｉ ｇ ｒ ｈ ｆｒｔ ａｉ ｒｄｃｉ ｎ ｔ ｈ ｔ ｏ
Ｗ ＡＮＧ ｉｌｎ， Ｈｕ —ｉ ＨＵ ｈ － ｅ Ｗ ＡＮＧ ｎ Ｓ ｕ ｇ ｎ， Ｙｕ
（ ｅａｔ ｎ ｏ Ｅ ｅ ｙＥ ｇ ｅｒ ｇＺ ｅａ ｇＵ ｉ ｒ ｔ， ａｇｈｕ３０ ２ ， ｈｎ ） Ｄ ｐｒ ｔ ｆ ｎｒ ｎｉ ｅ ｎ ，ｈｊ ｎ ｎ ｅｓｙ Ｈ ｎｚｏ １０ ７ Ｃ ｉａ ｍｅ ｇ ｎ ｉ ｉ ｖ ｉ
最优浇 口位置和排气系统与零件缺陷之间的关系等。 Ｈ ｓ ｕａ ｎ ａａ Ｋ ｒ ｒ 使用神经网络模型 ， ｎ ｔａ 并结合遗传 算法 ， 以模具温度 ， 熔体温度 ， 保压压力 ， 保压时间 ， 冷 却 时 间为参 数 ， 通过 试验 设计 ， 现车灯零 件 的翘 曲量 发 减少了 ４ ．％ 。同时 ， ６５ 申长雨等 使用该方法 ， 改善 了制品内的体 收缩率分布， 减少制品翘曲变形量。
第２ ９卷 第 ４期 ２ １ 年 ８月 ０１
轻工机械
ＬｉｈｔＩ ｕ ｔ ｙＭ ￣ ｇ ｎｄ ｓ ｒ ｅ ｘｙ
Ｖ０ ． ９ Ｎｏ ４ １２ ． Ａｕ ． ０１ ｇ２ １
［ 研究 ・ 设计］
Ｄ Ｉ ０３６／ ｉｎ１ ５ ８５２１． ． ７ Ｏ： ．９９ｊｓ ．０ － ９． １ ４０ １ ．ｓ ０ ２ ０ ０ ０
LM-BP神经网络在大坝变形预测中的应用
２ Ｓ ｈ ｏ ｆ Ｉ ｆ ｒ ｔ ｎ Ｅ ｇ ｎ ｅ ｉ ｇ， ｌ ｎ Ｆ ｓ ｅ ｙ Ｕｎ ｖ ｒ ｉ Ｄａ ｉｎ， Ｌｉｏ ｉ ｇ １ ０ ３ Ｃ ｉ ａ ． ｃ ｏ ｌ ｏ ｎ ｏ ｍａ ｉ ｎ ｉ ｅ ｒｎ Ｄａｉ ｉｈ ｒ ｉ ｅ ｓｔ ｏ ａ ｙ， ｌ ａ ａ ｎ ｎ １ ６ ２ ， ｈ ｎ
摘
要 ： 了对 大坝进行切 实有效 的监控 ， 为 需要建立一 个 良好 的大坝预 测模 型。针对传统 Ｂ （ ｃ－ｒｐ ｇ ｔ ｎ ￣ Ｐ ＢａｋＰｏ ａ ａ ｏ ） ． ｉ
网络存在 的
收敛速度慢 和泛化 能力弱等缺 陷 ， 利用 Ｌ Ｂ （ ｅｅｂ ｒ ｒｕ ｒｔＢａｋ Ｐｏ ａａｉｎ 算 法对 大坝 变形 进行预测 ， Ｍ． Ｐ Ｌ ｖ ｎ ｅｇ Ｍａｑ ａｄ ｃ ｒｐ ｇｔ ） ｏ 并根据丹 江
ｔｎｌ ｉ ａ ｏ ＢＰ ｎ ｕ ａ ｅ ｏ ｋ 】ｅ ｉ ｈ ｌ ｗｎ ｓ ｎ ｔ ｅ ｏ ｖ ｒ： ｃ ａｅ ａ ｄ ｔ ｅ ｗｅ ｋ ｅ ｓ ｉ ｅ ｅ ｅ ａ ｉ ａｉ ｎ ａ ｆ ｉ ． ｓ ｄ ｏ ｅ ｒ ｌ ｎ ｔ ｒ Ｊ ｎ ｔ ｅ ｓｏ ｅ ｓ ｉ ｈ ｃ ｎ ｅ ｇ ｎ ｅ ｒ ｔ ｎ ａ ｎ ｓ ｔ ｇ ｎ ｒ ｌ ｔｏ ｂ ｌ ｙＢａ ｅ ｎ ｗ ｅ ￣ ｈ ｎ ｈ ｚ ｉｔ ｒ
Ｅ． ｉ ｍｉ ｘ ｙｎ ＠ ｄｆ． ｕ ｎ － ｌ ａ ｉ ｉｇ ｌ ｅ ． ｍａ ： ｏ ｎ ｕｄｃ
ＭＩ ＡＯ Ｘｉ ｙ ｎ ， ｎ ｉ ｇ ＣＨＵ Ｊ ｎ ｕ ， ｉ ｋ ｉ ＤＵ ａ ｗｅ ． ｐ ｉ ａ ｏ ｏ Ｘｉ ｏ ｎ Ａｐ ｌ ｔ ｎ ｆ ＬＭ — ｎ ｕ ａ ｎ ｔ ｒ ｎ ｒ ｄ ｃ ｎ ａ ｃｉ ＢＰ ｅ ｒ ｌ ｅ ｗｏ ｋ ｉ ｐ ｅ ｉ ｔ ｇ ｄ ｍ ｄ ｆ ｒ ａ ｏ Ｃ ｏ ． ｉ ｅｏ ｍ ｔ ｎ ｉ ｍ ．
BP神经网络模型在建筑沉降预测中的应用
翟 酵
玩
摹 ＾ Ｉ ‘
ｆ
时蚂厌 １
图３ Ｄ４点 的 预 测 结 果
用 ７月 ２日至 ７月 ５日４ ｄ的观测值来预测 ７ 月 ６日的 沉降量 ， 以此类 推 ， 得到 了如表 １ 所示 的预测结果。表 １ 对
＝ ¨
ｒ ＇ 一 Ｏ ｅ ｒ ） （ １ ＝ Ｏ ￣ ｋ ） ， 隐含层 ： ｏ ＝ ¨ ｒ １ 一 （ ） Ｐ
Ｗ ；
Ｂｌ
（ ５ ） 权值修 正 ： Ｗ （ ｔ ＋ １ ） ＝ ａ ６ ｐ ０ ＋
＝
， 阈值 修正 ： Ｏ ｉ （ ｔ ＋ １ ）
（ ￡ ） ＋ １ ３ 磊 ；
２ － ２建模步骤
本 身及周边建筑 的使用安全。 本文以某高层建筑基坑开挖对 周 围已有建筑的影响为主体 ， 建立 了 Ｂ Ｐ神经 网络预测模型 ， 对周 围建筑 的沉降变形观测做 了预测 。
１ 工程简介
为 防止 高层建筑 的建设 对周 围已有建 筑造成破坏性 的
影响 ， 预防倾斜变形 的发展 ， 有关部 门从 ２ ０ ０ ４年某高层建筑
５ ￣ ｎ ＋ １ 次 的预测结果 。
人工神经网络有多种类型，其中，以 Ｒ ｕ ｍ ｅ ｌ ｈ ａ ｒ ｔ ， Ｍ ｃ Ｃ ｌ ｅ ｌ ｌ ａ ｎ ｄ 在１ ９ ８ ５ 年提出的Ｂ Ｐ 网络的误差反向后传 Ｂ Ｐ （ Ｂ ａ ｃ ｋ Ｐ ｍｐ ａ ｇ ａ ｔ ｉ ０ “
习算法运用最为广泛 ， 随着计算机应用技术 的不断提高 ， 逐 渐
● 标 准 与 检 测
巍
２ ０ １ ３ 生
Ｂ Ｐ神 经 络 抉 型 在 建 筑 沉 降 氓 捌 的 应 用
王 亮。 罗新 字 （ 兰州交通大学 土木工程 学院， 甘 肃 兰州 ７ ３ ０ ０ ７ ０ ）
BP神经网络在桥梁焊缝收缩预测的应用研究
层 向输入层 修正连 接权值 的反 向传递 过程 ， 由前 向传播 和 反 向传播 的反复 交替 进行 的网络学 习训练过程 ， 网络趋 向
收敛 即网络 的全 局误 差趋 向极小值 的学收 敛过程 。Ｂ 神 Ｐ
经 网络算 法如下 ：
公 式计算 的收缩量远大 于对接焊 接头 的实际收缩量 ， 说 这 明原有解 析方法 已经不 能满足 需要 。对这种些 机理 比较 复 杂 ．输 入与响应之 间非线性关 系较强 的参数 ，运 用 ＢＰ人
１
２
：
ｓ ｍ ｉ函数， ｉｏ ｇ ｄ 一般取：ｆｘ－ （） —
、
１ ｅ。 ＋ 。 ‘
；
Ｙｅ
第二步： 初始化， 赋给各权值ｃ ｉ一个较小的随机 ｏ） （
非 零值 ； 第 三步 ：计算 网络的 目标 函数 ．设 Ｅ 为第 ｋ组样
输 入 层
酶 含 层
输 出 层
１ 问题 的产 Biblioteka 影 响桥梁钢箱 梁焊接变形 的 因素 很多 ， 但归纳起 来主 要有材料 ，结 构 ，工艺和环境 四个方 面 。在箱 梁设计和 加 工 阶段 ，环境 因素较为恒 定 ，主要影 响 因素 是其他三种 ；
但在钢箱 梁现场 拼装阶段 ，材料 、工艺 因素 已经确 定 ，而
系 ＢＰ 网络是 多层前馈 网络 的反 向传播 学 习算 法 ，是有 导 师的学习 ，是梯度下 降法在 多层 前馈 网络中的应 用 ：一
度三个 方面 。
征一 对一联 接 ，各个邻 层 的节 点之间单 方面相联 ２ Ｐ神经 网络 的学 习算法 步骤 ．Ｂ １ Ｂ Ｐ网络的学 习 ，一般 由以下过程组 成： 入模式 由输 输
入层 经 隐含 层 向输 出层 的前 向顺 序传播 过程 ，网络 的期 望 输 出与 网络 的实 际输 出 之间 的误 差信 号 由输 出层 经 中间
BP神经网络在基坑工程变形预测中的应用
响 。基 坑 变 形 和 安 全 性 受 地 质 条 件 、 土 体 性 质 、 地 环 境 、 候 岩 场 气 变化 、 地下水动态 等 因素影 响 ， 常规统 计方 法难 以利用 监测 信 息 建模预测。Ｂ Ｐ神 经 网 络 具 有 较 好 的 非 线 性 拟 合 能 力 ， 其 在 复 使 杂 非 线 性 系 统 的 分 析 和 预 测 中得 到 了广 泛 应 用 。
２． ３９
１ 工 程实例 分析
某基坑位于 市 区密集 道 路之 间的地 块 内， 境 保护 等 级 一 环 级… 。基坑 平面呈 组 合 矩 形 ， 图 １所 示 ， 平 面 主 体 尺 寸 为 如 其 ８ ３ ６ｍ， ６１×１ 开挖深度 ２ ．３ １ ０ ４ 。围护结构为地下连 续墙 ， 墙体深 为
部分地面沉降观测点 ，Ｉ Ｓ Ｏ距西侧墙 体 ２ｍ， １ Ｓ １距西侧 墙体 ５ｍ， Ｓ２距西侧墙体 ８ｍ，３ １ ￥２距东侧 墙体 ３Ｉ，２ Ｉ ３和 ￥５分 别位 于基 Ｔ￥ ２
坑 南 墙 体 外 １ ３ １ ｌ￥７位 于 ￥５以南 ６ｉ 。 ０１ 和 ６ｎ，２ １ ２ ｎ处
１３ ．５
２． Ｏ ５ ３． ４ ６
１ １ ቤተ መጻሕፍቲ ባይዱ．１
１ ２ ．１ １ ３ ．１
１ ７ ０ ４
ｌ ４ ３ ５ １ ０ ３． ９
１２ ７
１２ ．８ １２ ．９
３ ．４ ４ ９
３７． ０９ ３７ １１
泣 ： 移 均表 示墙 体 向 坑 内移 动 位
表 ２ 两种方 法预测数据 比较
６９ ８ ６６ ２ ６ｏ ．９ ４ ２ ．１
６． ６７
日期 ／ ．日 月
１２ ．２ １２ ．３ １２ ．４ １２ ５
基于BP神经网络的地表沉降预测及应用
破 碎 带 中 ， 体 形态 严 格 受构 造 破碎 带 控 制 ， 变 主要 矿 蚀
区 内 围 岩 主 要 为 上 元 古 界 额 尔 古 纳 河 群 地 层 ， 种 为 硅 化 、 酸 盐 化 、 云 母 化 。 石 中 的 脉 石 矿 物 也 为 石 各 碳 绢 矿 而 初 区 微 量 元 素 的 分 配 与 岩 石 类 型 密 切 相 关 。大 理 岩 中 的 Ｐ 英 和 方 解 石 ， 未 见 有 典 型 的 矽 卡 岩 矿 物 。 步 认 为 ， ｂ、
Ｊ 沉 陷一 般 发 生 和 发 展 较 为 缓 慢 ，Ｊ学 技 术 的 发 展 和 研 究 手 段 的进 步 ， 层 ｊ 人 有一 定 的思 想 准备 ，可 以进 行 ｆ地层 沉 陷 的复杂 性 逐 渐被 人 们 所揭 使 ｊ准 确 的预 测 和预 报 ，进 而 采取 尽 可 ｉ ，经典 的理论 和 方 法 已无 法 准确 示 』能 的有 效 控 制措施 ，以便 最 大 限度 ｉ 对其 进行 解释 、 地 研究 和预 测 。 Ｉ地 减少 地 层沉 陷造 成 的损 失 。地 层 Ｊ 二 、 陷数据 分析 方法 沉 ｉ沉 陷 可 能 破 坏 一 个 地 区 的 经 济 建 Ｊ 多年 来 ，对 沉 陷监 测 数 据 分析 ｝设 ， 人 民生 命财 产 遭受 重 大 损失 ，ｆ 法 研究 极 为活 跃 ，除 了传 统 的 多 使 方 ｌ也 可能 在 局部 范 围 内使 个别 建 筑 物 ｆ 回归分 析方 法 、 间 序列 分 析 法 、 元 时 ？破 坏或 使 土地 失 去使 用 价值 。地 层 Ｊ ａｍ ｎ 波 、频谱 分析 法 和数 字滤 ｌａ 滤 Ｋ
是矿 液沉淀赋存 的有利 空 间 ， 作 为直 接找矿 标志 之一 ； 可
发育在 大理岩 构造破碎带 中的强硅化 、 铁矿 化 、 铁矿 褐 黄
基于逐步回归的BP网络混合模型 在大坝变形分析中的应用
基于逐步回归的 Ｂ Ｐ网络混合模型 在大坝变形分析中的应用
１ １ ］ 坝顶水平位移的影响因素包括水位、 温度和时效 ［ ， 本 ２ ３ ４ 例中水压因子取 ４项， 即Ｈ ， Ｈ ， Ｈ ， Ｈ ， 可根据上游水位资料
３ 实例与结果对比 本文以云南省某大坝为例， 选择其 ２ ０ ０ ９ —２ ０ １ ２年每月 １ ５日的坝顶某测点的水平位移、 同期库水位和温度的实测资 料为研究对象， 共４ ８组数据， 以其中每年 ５月和 １ １月份的 ８ 组数据作为检验样本， 其余 ４ ０组数据作为网络训练样本和 回归分析样本， 建立了 Ｓ Ｒ－Ｂ Ｐ混合模型。为验证 Ｓ Ｒ－Ｂ Ｐ 混合模型的适用性， 同时建立了逐步回归统计模型和 Ｂ Ｐ网 络模型， 对该点的未来变形值进行预报， 并对其预报效果加 ， 预测结果对比见表 以对比， 实测值与预测值对比曲线见图 ３ ２ ， 预测残差曲线见图 ４ ， 预测残差对比见表 ３ 。
［ ６ － ８ ］
{
珋＋ｂ ｎ＝∑ ｗ ｘ 或 ｎ＝Ｗｘ ｊ ， ｉ ｉ ＋ｂ
ｉ ＝ １
（ １ ）
珋 ｙ （ ｎ ） ＝Ｗｘ＋ｂ ｉ ＝ｆ
ｂ ）Ｂ Ｐ网络结构 ２ ０ 世纪 ８ ０年代中期， 以Ｒ ｕ ｍ ｅ ｌ ｈ ａ ｒ ｔ 和Ｍ ｃ Ｃ ｌ ｅ ｌ ｌ ａ ｎ ｄ 为首提 Ｂ ｐ－Ｂ ａ ｃ ｋＰ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ） 学习 出了多层前馈网络的反向传播（
［ ｔ ｉ ｃ
５ ， 组成 ４ —２ ５ —１的 值得差值作为输出层， 隐含层节点数取 ２ 网络结构， 采用 Ｍ ａ ｔ ｌ ａ ｂ 软件进行训练和计算。
改进的BP神经网络在洪水过程预报中的应用
Ａｐ ｌ ａ ｉｎ ｏ ｅ ｈ ｐ ｏ ｅ ＿ｒｉ ｃａ ｕ ａ ｔｏ ｌｏ ｏ ｅ ａ ｔ ｇ ｐｉ ｔ ｆｔ ｎ ｒ ｖ ｄ Ａ ｔ ｉｌＮｅ ｒ ｌ ｃ ｏ ｈ ｉ ｆ Ｎｅ ｎ Ｆ ｏ ｄ Ｆ ｒ ｃ ｓｉ ｎ
Ｇ ｎ ｕ １ Ｘ Ｎ ｈｎ— ｉ ｇ ＥＷｅ —ｊｎ ， Ｉ Ｇ Ｚ ｅ ｘａ ２ ｎ
ｔｅ ｉ ｒｖ ｔ ｃａ ｅ ｒｌＮ ｔ ｈ ｃ ｓｄ ｆ ｉ ｒ ｅ ｓ ｎ ａｉｌ ｐ ｒ ａ ｈ ｔａ ａ ｋ ｔ ｉ ａ ｏ ｆ ａｎａｌ ｈ ｍｐｏ ｅ Ａｒ ｆ ｉ Ｎ ｕ ａ ｅ ，ｗ ｉ ｈｉ ｅ ｎｔ ａｔ ａ ｙａ ｄ ｆｓ ｂ ｅａ ｐ ｃ ｈ ｔｃ ｎ ｍａ ｅａ ｉ ｐ ｔ ｎ ｏ ｉ ｆｌ ｄ ｉ ｌ ｉ ｉ ｄｙ ｅ ｏ ｎ ｃ ｉ ｒ ，
１８ 年的洪水流量进行预测， ９１ 验证 了改进的人工神经网络的确是一种简单适用的降雨预报方
法。
［ 关键词］ 遗传 算法 ； 工神 经 网络 ； 人 洪水预报
【 中图分类号】 Ｔ １ Ｖ２ ４ 【 文献标识码】 Ａ 【 文章编号】 １ ６ ７７（０６０ — １ — ２ １ — １ ２０）３ ０６ ０ ３ ０ ５ ６
ｔｌ ｇ ｅａｔｉ ｔ ｆ ｏｄｆ ｗｏ ｊ｝ｆ ｙｒｏｙ ｔ ｏ Ｙ ｎｔ ｉ ｒｒ ９５ｔ １８ ． ｝ ｕ｝ｔ ｉｐｉ ｏｆ ｏ ｏ Ｙｃｌｌ Ｈ ｄ ｌ ａ ｎｏ ａｇ ｅＲｖ ｆ ｍ １７ ９ １ ｌ Ｉ ｎｃ ｏ ｌ ｌ ｆ Ｕ ｈ ａｎ ａｇ ｏｇＳｔ ｆ ｉ ｚ ｅ ｏ ｏ
Ｋｅ ｒ ｓ ｇ ｎ ｔ ｌｏｉ ｍ； ｒ ｆ ｉ ｅ ｒｌ ｅ ； ｏ ｄ ｆｒ ａ ｔ ｙ ｗｏ ｄ ： ｅ ｅ ｃ ａ ｒ ｈ ａ ｔ ｃ ｎ ｕａ ｔ ｆ ｏ ｏｅ ｓ ｉ ｉ ｇ ｔ ｉ ａ ｉ ｌ ｎ ｌ ｃ ｎ ｇ
BP神经网络在水下地形高程拟合的应用
BP神经网络在水下地形高程拟合的应用彭中波;高阳【摘要】运用MATLAB软件的神经网络模块建立BP神经网络,以工程河段实测水下地形图中测量点的X、Y坐标值作为输入层神经元,相对应的高程值作为输出层神经元.针对网络训练样本数据较多的特点,对多种训练函数的优劣进行比较,选取适合的训练函数,并进行大量训练实验,不断修正性能参数,并利用水下地形图测量点样本数据进行检验.实验结果表明:该模型对水下地形高程的高精度预测作用满足地形测量工作的工程要求,在实际工程测量中具有很好的应用价值.【期刊名称】《重庆交通大学学报（自然科学版）》【年(卷),期】2018(037)011【总页数】6页(P64-68,82)【关键词】航道工程;BP神经网络;高程;拟合【作者】彭中波;高阳【作者单位】重庆交通大学航运与船舶工程学院,重庆400041;重庆交通大学航运与船舶工程学院,重庆400041【正文语种】中文【中图分类】U656.5;P2160 引言人工神经网络是模仿人类大脑的结构和功能的一种信息处理系统[1-2]，由于具有并行结构和并行处理能力、知识能够分布式存储、良好的容错性以及自适应学习能力等特点，在信号处理、模式识别、智能检测以及人工智能等领域得到广泛应用。
具有3层或3层以上结构的无反馈、层内无互联结构的前向神经网络，即为BP神经网络。
它采用有指导的学习方式进行训练和学习，即在一给出的BP神经网络中，输入神经元的激活值从输入层经过各个隐含层传递到输出层，在输出层的各个神经元得到神经网络的实际输出。
对神经网络的实际输出与期望输出值进行比较，得到输出值的误差，再逐层修正各个从输出层至隐含层的连接权值，最后返回到输入层并不断重复该过程，使误差值减小到能够接受的范围。
随着市政工程的不断发展完善，高程测量[3-5]工作显得尤为重要，测量值的准确性将直接影响到工程的质量。
在市政工程中高程的主要测量方式有GPS技术测量、水准测量、三角高程测量和气压高程测量[6-9]，其中以GPS技术测量、水准测量两种方式所测数据最为精密，但是整个测量过程中对设备及设备的安装位置有特定的要求，测量步骤也较为复杂，都需要严格按照相关测量规范进行。
基于BP神经网络模型预测区域需水量
具 有 非 常 重 要 的 现 实 意 义 。 区域 需水 量 的预 测 工 作是 供水系统 优化调度先 决条件 和必备条件 ， 为 国家 在 水 利 方 面 的 宏 观 和微 观 决 策 提 供 参 考 ， 加 快 建 设 节 水 型 社会 的 步 伐 ， 现 经 济 的快 速 增 长 、 实 稳 定 和健 康 发展 。 图 １为 区域 水 资 源 供 需 关 系 。
定 因素 考 虑 。最终 确 定 区域 生 活用 水 量 的 主要 影 响 因素 为 ： 区域 总 人 口 、 镇 人 口 、 村 人 口 、 城 农 城
镇人均 可支配 收入 、 村人 均纯 收入 、 均 Ｇ Ｐ 农 人 Ｄ
。
业水 价 、 水 回用 率 、 污 污水 处 理 设 施 完善 程 度 对 工 业 用 水 量 也 有 微 弱 的影 响 。 区 域 工 业 需 水 量 Ｂ Ｐ 神经 网络 预 测模 型 中采 用输 入参 数 如 图 ４ 。
图 ３ 生活 需水量 Ｂ Ｐ神 经网络 预测模 型输入 参数 图
区域 生 产 需水 量 分 为工 业 生 产 需 水 量 和 农 业
生产需水量两大类 ，其中在工业需水量 中按工业 用 水 特 点 ，分 为 火 力 发 电工 业 用 水 和 一 般 工 业用 水 ， 是 指 所 取用 的是 新 鲜水 量 ， 包 含工 业 内部 都 不 的水 的重 复 利 用量 。 随着 工 业 的 发展 ， 业生 产 规 工 模 的进 一 步 扩 大 ， 水 量 也会 不 断增 加 ， 业 规 模 需 工 的扩 大 主要 表 现在 工 业 产 值上 ，这 里 指 的是 一 般 工业 。在 电力 工 业 上 ， 主要 体 现在 发 电量 上 。 电 火 行业 用 水 量 也是 区域 工 业 部 门 用水 量 的重 要 组 成 部 分 。工 业用 水 重 复 利 用率 虽 然 也 是 工 业 用 水 量
基于Matlab的BP神经网络在工广地表移动变形监测及规律中的应用
另外 Ｍ Ｔ Ａ Ａ Ｌ Ｂ提供 了功能强大 、 应用方便的各种工具箱 ， 其 中， 神经 网络工具箱 以人工神经网络理论为基础 ， 构造 了网 络分析和设计的许多工具 函数。 因此 ， 本文基于 Ｍ Ｔ Ａ Ａ Ｌ Ｂ语言 编程 ， 调用相关 神经 网络工具函数进行计算分析 。
煤矿 现 代化
２１年第３ ００ 期
总第９ 期 ６
基 于 Ｍａ ａ ｄ ｂ的 Ｂ Ｐ神 经 网 络 在 工广 地 表 移 动 变 形 监 测 及 规 律 中 的 应 用
黑君淼 ， 楷 ， 艳 于 梁
（ 徽 理 工大 学地 球 与 环 境 学 院 ，安 徽 淮 南 ２ ２ ０ ） 安 ３０ １
期望输出向
（ 导师信号）
隐 告层
网络复杂化 ， 而增加 了网络权值 的训 练时间 ， 从 而误差精度的 提高也可 以通过隐含层 中的神经元数 目来获得 ，其训练效果
也 比增加层数更容易观测和调整 。为 了简化模型， 提高运算速 度， 在一个 隐含层可 以完成 函数的传递和训练 目的前提下 ， 选 择含一个 隐层 的 ３层结 构网络模型。
和变步长法 。本文采取的是第一种做法。
２ 基 于 ｍａ ａ ｔ ｂ的 Ｂ ｌ Ｐ神 经 网络的预 测
沉降监测 中有前期 的观测数据 （ ） （＋ ） （ ＋ ｝ ｎ ， ｎ １， ｎ ｍ） ｘ … 来 预测 肘 ｍ 时刻的值 ， 即给定神经网络导 师信号 （ ＋ “ ）， ｎｍ ｌ 输 入训练样本值 ， 出 （ ） （＋ ） ｘ ｎ ｍ） 求 ｎ ， ｎ １， （ ＋ Ｊ ｘ …， 与 （ ｍ ） 肘 ｝ 之间的非线性 函数关系 ，这就是神经 网络 中非线性函数逼近 问题 。对于 Ｂ Ｐ网络 ， Ｂ 有 Ｐ定理 ： 给定任 意的 ｅ Ｏ和任意的函 ＞ 数 【 １一 ｍ存 在一个三层 Ｂ ０】 ，， ， Ｐ网络 ， 可在任 意的 ｓ平方 它
闽江下游干流水深遥感与河道演变分析(1)
ｆｕｎｃｔｉｏｎ，
ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ
ｉｎｄｉｃａｔｅ ｔｈａｔ
ｓｐｅｃｔｒｏ－ｐｈｏｔｏｍｅｔｒｉｃ ｈａｓ ｔｈｅ ｂｅｓｔ
ｐｅｒｆｏｒｍａｎｃｅ
ｄｅｐｔｈ
ｉｎ ｔｈｅ ｗａｔｅｒ ｂｏｄｙ ｅｘｔｒａｃｔｉｎｇ．（２）ＲＳ－Ｂａｓｅｄ ｒｅｔｒｉｅｖａｌ ｍｏｄｅｌ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｒｉｖｅｒ ｈａｄ
ｓｅｖｅｒｅｌｙ ｄｕｒｉｎｇ ２００１—２００３．
Ｋｅｙ ｗｏｒｄｓ：ｒｅｌｅｖａｎｃｅ，ｓｐｅｃｔｒａｌ ｖａｌｕｅ，ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｍｏｄｅｌ ｏｆ ｗａｔｅｒ ｄｅｐｔｈ，ａｖｅｒａｇｅ ｒｅｌａｔｉｖｅ
ｅｒｒｏｒ
ＩＩ
福建师范大学硕士学位论文
福建师范大学学位论文使用授权声明
本人（姓名）迕赶学号至ＱＱ鱼Ｑ昼垒Ｑ专业自然丝理堂所呈交的论 文（论文题目：闺江工鲎王逾．丞邃暹蹙皇逦道渲变佥板）是我个人
段２００１～２００３年间河床下切严重。
关键字：相关性，辐亮度值，水深遥感模型，平均相对误差
中文文摘
中文文摘
随着遥感技术的发展，遥感测深方法的不断深入。理论上，遥感测深方法可以 迅速、准确获得大范围、同时相的水深信息，弥补传统水深测量方法的局限。但由 于不同区域水质和水体底质差别较大，加之建模式时常常遇到遥感资料和实测水深 不同步等问题，故至今尚无统一的水深遥感模式。闽江下游河道演变剧烈，但由于
年２月６日三期遥感影像分别反演研究区相同水位下的水深，水深变化可以反映河 道的演变情况。将反演得到的２００１年遥感水深图与２００２年遥感水深图、２００２年遥 感水深图与２００３年遥感水深图相减，利用密度分割法对相减后的图进行分区，分析 ２００１～２００３年冲淤情况。结果表明，２００１～２００３年，竹岐至侯官河段冲刷严重。
基于GBDT-LSTM的闽江流域水质预测
基于GBDT-LSTM的闽江流域水质预测肖扬岚;沈惠柔;许一涵;尤添革;郑艺婧;谢候展;宁静【期刊名称】《生态环境学报》【年(卷),期】2024(33)4【摘要】闽江作为福建省最大的河流,其生态保护对维护全省水生态环境而言意义重大。
为进一步利用水质评价和预测方法对水质状况进行有效分析,选取闽江流域2017年1月-2023年8月共20处水质监测站数据作为研究对象,采用水质综合指数法对各站点水质状态进行判断;比较LSTM模型和GBDT-LSTM模型的拟合结果,并对各指标数据进行预测。
结果表明,1)闽江流域各监测点除总氮外的水质指标均呈现较好趋势,各监测点的总氮浓度存在差异,整体情况较差,其中位于三明和南平市的河段由于当地重工业发达,导致水体中的硝态氮不断增加,进而致使河段内总氮浓度过高。
2)流域水质的WQI值呈现逐年上升的趋势,水质状况普遍处于中等及以上水平,仅有少数监测点的水质状况处于很差状态,从中上游携带的泥沙等固体的堆积导致了连江琯头的水质情况较差;沙县斑竹溪渡口由于位于三明和南平的交界处,且沿岸分布较多重工业城市,故水质状态略差;相较于南平和三明的大型重工业企业,位于古田县的监测点以农业、轻工业为主,对水质指标的影响相对较小,水质状况因此较好。
3)采用GBDT对变异程度较高的各水质指标在预测模型中的重要性进行排序,发现GBDT-LSTM混合模型的拟合效果相较于LSTM模型更好,更有利于对水质状况进行精确地预测。
4)水体中总氮、高锰酸盐指数等含量的不断增加主要源于大量的工业废水,建议加强对临近闽江流域高污染高排放企业的控制,科学合理地实现工业污染排放和污染物容量在时空上的合理分配。
【总页数】10页(P597-606)【作者】肖扬岚;沈惠柔;许一涵;尤添革;郑艺婧;谢候展;宁静【作者单位】福建农林大学计算机与信息学院;福建省统计信息研究中心【正文语种】中文【中图分类】X52;X832【相关文献】1.基于SOM和PCA的闽江流域地表水水质综合评价2.基于BP神经网络模型的闽江流域地表水(福州段)水质变化趋势预测3.基于交叉验证网格寻优的GBDT-LSTM 水产养殖溶解氧预测4.闽江流域近年主要水质指标变化趋势及污染识别因版权原因，仅展示原文概要，查看原文内容请购买。
气候和土地利用变化情景下闽江流域水沙变化模拟
气候和土地利用变化情景下闽江流域水沙变化模拟余文广;陈芸芝;唐丽芳;汪小钦【期刊名称】《水土保持学报》【年(卷),期】2024(38)2【摘要】[目的]模拟未来土地利用和气候影响下的流域水沙变化有利于制定适合的流域管理计划。
[方法]基于土地利用和气象数据,结合CMIP6气候模式数据、PLUS 模型和SWAT模型,定量模拟2030年土地利用及不同气候情景下径流和泥沙的时空变化。
[结果](1)SWAT模型在闽江流域月尺度模拟精度较好,其中径流模拟的R2范围为0.80~0.95,NSE范围为0.75~0.91;泥沙模拟的R 2范围为0.75~0.98,NSE范围为0.64~0.94。
(2)利用2020年土地利用数据对PLUS模型进行精度评估的Kappa系数为0.77,模拟2030年闽江流域建设用地和耕地将分别增加325.64,1157.51 km^(2)。
(3)SSP2-4.5和SSP5-8.5情景下,2025-2035年平均降水量分别增加0.15%和2.18%,年平均气温分别增加0.23,0.62℃。
(4)低碳情景和高碳情景下,仅土地利用变化导致年平均径流量相较于基准期分别增加0.08%和0.07%,年平均输沙量分别增加0.24%和减少0.05%;仅气候变化导致年平均径流量相较基准期分别减少4.76%和4.11%,年平均输沙量分别增加18.12%和0.13%;土地利用和气候综合影响导致年平均径流量相较于基准期分别减少4.57%和3.93%,年平均输沙量分别增加18.28%和0.33%。
(5)未来气候和土地利用综合变化情景下,地表径流和产沙量较高且增幅较大的区域集中在以南平邵武市为中心的流域西北部和以三明将乐县为中心的流域西南部。
[结论]研究结果为未来闽江流域的合理开发建设提供一定参考依据。
【总页数】19页(P216-233)【作者】余文广;陈芸芝;唐丽芳;汪小钦【作者单位】福州大学数字中国研究院(福建);福建省水土保持实验站;福州大学空间数据挖掘和信息共享教育部重点实验室【正文语种】中文【中图分类】P339【相关文献】1.土地利用和气候变化对黄土区典型流域水沙变化的影响2.RCP 8.5气候变化情景下21世纪印度粮食单产变化的多模式集合模拟3.气候变化情景下青海湟水流域径流变化的HIMS模拟分析4.未来气候变化及土地利用情景下清水河流域径流模拟因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
BP 模型在闽江岸线变形预测中的应用虞 娟,陈一梅(东南大学交通学院,南京210096)摘 要:河道岸线变形问题是一个复杂的非线性动力系统问题,文中利用神经网络处理非线性问题的优势,以闽江竹歧至侯官河段为研究对象,建立预测河道岸线变形的BP 神经网络模型。
通过对河道岸线变形影响因子的分析,确立了2种输入、输出因子模式。
结果表明,模型输入、输出因子的选择对模型预测结果影响很大,选用合适的输入、输出因子,会得到比较好的预测效果。
关键词:BP 网络;模型预测;影响因子;岸线变形中图分类号:T V14912 文献标识码: B 文章编号:1005-8443(2006)01-0014-04收稿日期:2005-07-03; 修回日期:2005-08-25作者简介:虞娟(1969-),女,江苏省海门市人,硕士,讲师,从事港口工程教学与研究。
Biography :Y U Juan (1969-),female ,master,lecturer.岸线的演变研究是河床演变研究的重要问题之一。
了解岸线变化是岸线合理规划和开发的前提,也是河流和航道整治的依据。
岸线变形问题是一个复杂的非线性动力系统问题,而神经网络具有处理复杂非线性函数的能力。
闽江竹歧至侯官河段为冲淤性平原河流,上游有竹歧水文站,下游有文山里水文站,能提供较长系列的水文资料,还有较多年份的实测地形资料及遥感资料,为用神经网络进行岸线变形预测创造了条件。
1 因子选择与获取1.1 影响因子分析河床演变从表现形式上可分为纵向变形与横向变形两类。
横向变形也称为平面变形,是河床沿水流垂直的水平方向发生的变化,河道岸线变形是河床横向变形的一部分,所以影响河床演变的因素同样也是影响河道岸线变形的因素。
影响河床演变的自然因素有以下4个方面[1]:(1)河床上游来水量及其变化过程;(2)河段上游来沙量、来沙组成及其变化过程;(3)河段的河谷比降;(4)河段的河床形态及河床组成。
上述4个因素是从对河道岸线整体冲淤变形的影响方面考虑的,本文是从具体的河道断面变化来研究岸线的变化,也就是通过分析岸线局部的变化来揭示岸线整体的变化。
所以在岸线变化影响因素的选择上,还应突出对局部岸线变化的影响因素,而水流动力轴线位置直接反映了河岸顶冲点的位置及河岸水流强度的大小,可以作为影响岸线变化的第5个因素。
1.2 因子确定对影响河道岸线变形的因素进行取舍,作为BP 神经网络的输入因子。
分析第1和第2个因素,由于竹岐至候官河段河床的冲淤变形以底沙输送为主,而上游来水来沙变化过程,主要是对悬沙冲淤变化显著的河段影响较大,故来水来沙变化过程对岸线的影响可不做考虑。
另外,由于模型选取时段的泥沙组成基本一致,所以上游来沙组成对不同年份岸线的冲淤影响可忽略不计。
由此可见第1、2影响因素确定的输入因子可简化为流量Q 和输沙量G 。
分析第3个因素,由于河谷平均比降的信息的获取比较困难,对于平原河流,河谷比降与水面比降一致,而水面比降又与河段上下游水位有关,上游水位的变化可以从上游流量变化上得到体现,因此可以用下游水位Z 作为输入因子。
分析第4个因素,用宽深比(B 0・5/H )来反映河床形态。
由 第27卷第1期 水 道 港 口Vol.27 No.1 2006年2月 J ournal of Waterway and Harbour February ,2006于模型要预测的是岸线位置的变化,而预测年份的河面宽度B 是未知的,所以不能把宽深比作为输入因子。
分析第5个因素,由于水流动力轴线资料的获得比较困难,采用深泓线位置L ′来代替。
经以上分析,本文选用2种方案对岸线变形进行预测。
方案1:模型的输入因子为Q ,G ,Z 和L ′。
输出因子为左岸位置L l 和右岸位置L r ,分别为距断面左边起点的距离。
如1991年的输入因子为:1991年的Q ,G 、Z 和ΔL ′,输出因子为1991年的L 1,L r ;方案2:模型的输入因子为Q ,G ,Z 和ΔL ′(深泓线位置的变化量),输出因子为左岸位置变化量ΔL 1,右岸位置变化量ΔL r 。
如1991年的输入因子为:1991年的Q ,G 和Z ,1990—1991年的ΔL ′,输出因子为1990—1991年的ΔL 1和ΔL r 。
由于不同年份的遥感图像成图水位或实测水位各不相同,需转化为同一水位下的岸线位置。
如图1所示,OB 为当年测定时的遥感成图水位或实测水位;CD 为转化水位,即不同年份的岸线最后都换算为此水位时的岸线;EF 为辅助水位,是为水位换算而添加的靠近转化水位处的某一水位。
假定岸线附近岸滩的坡度不变,转化公式如下:Δh 1/Δh 2=ΔB 1/ΔB 2(1)式中:Δh 1为断面垂直方向上B E 之间的距离;Δh 2为断面垂直方向上AC 之间的距离;ΔB 1为在横断面方向上OB 之间的距离;ΔB 2为在横断面方向上岸线修正距离OA 。
1.3 输入因子与输出因子获取图1 相同水位岸线转化图Fig.1 Chart of bank line trans formation at the same water level 模型的输入和输出因子的正确获取是进行岸线变形预测的前提条件。
训练样本输入因子Q ,G 为上游河段的夹水量和来沙量,可以从上游的竹岐水文站获得。
下游水位Z 从该河段下游的文山里水文站获得。
输入因子L ′、ΔL ′有两种途径获得:对于实测航道图可以利用Mapin fo 软件直接量取;对于遥感图像,先求出各像元值对应的水深[2],再绘制深泓线进行量测。
训练样本的输出因子L ,ΔL 可以直接从实测航道图或遥感图像上量取。
预测样本的输入因子也可以采用上述方法获得,如果缺少资料,可以通过人工神经网络模型对其进行预测得到[3～7]。
2 样本处理2.1 训练样本选取在闽江竹岐至候官河段,均匀选取15个断面(图2),断面间隔为1km 左右。
由于河道经过多年整治,修建了不少丁顺坝,特别是顺坝对岸线的自然变形进行了限制,会对模型的预测结果有很大的影响。
所以在断面的选取上,尽量选择受人工建筑物影响小的自然岸段,本文在该河段上选取断面6和断面12作为研究对象。
考虑到1989年在此河段上修建了水口水电站,20世纪80年代和90年代的泥沙组成有所不同,而90年代以后的泥沙组成基本一致。
图2 闽江竹歧至侯官段岸线变化图Fig.2 Chart of development from Zhuqi to H ouguan of Mingjiang River 在1990—2000年这个时段内,既有丰水丰沙年(1992)、小水少沙年(1996),又有特大洪水中沙年(1998),样本基本含盖了各种水文情况。
所以在研究时段的选择上,选取1990—2000年间的11个年份。
2.2 训练样本数目的确定采用正交设计法来确定训练样本数,可以做到在不降低网络学习精度的前提下,减少训练样本数目,网512006年2月虞 娟,等 BP 模型在闽江岸线变形预测中的应用络学习达到省时省力的效果。
正交设计法是通过正交表来选择训练样本。
正交表L9(34)的含义是:表中有4个变量,相对于模型中的4个输入因子;每个变量取3个位级,共取9个样本。
该模型的输入因子共有4个,需要9组训练样本进行学习。
这里把1991—1999年这9个年份作为模型训练样本,2000年作为模型检验样本。
2.3 样本的规范化处理在网络学习过程中,为避免输入向量的量级不同对BP神经网络模型的影响,同时考虑到激活函数的有界性,所以必须对样本的输入、输出向量进行规范化处理。
其规范化处理公式如下:输入因子的转化x′i=x i-x i minx i max-x i min・β(2)式中:x i max,x i min为第i个影响因子在学习样本中的最大值和最小值;x′i为经过规范化处理后的影响因子值;β为参数。
输出因子的转化y′i=y i-y i miny i max-y i min・d1+d2(3)式中:y i max,y i min为第i个因变量在学习样本中的最大值和最小值。
y′i为经过规范化处理后的因变量。
d1, d2为参数。
3 网络结构设计由于1个隐含层基本上能解决一般的神经网络预测问题,所以,本文采用的方法是:隐含层数确定为1,通过调整隐含层节点数来提高网络预测精度,隐含层节点数的确定通过试验得到。
从试验结果看,隐含层节点数过少,网络收敛比较困难,通过逐渐增加隐含层节点数,使网络学习达到期望目标。
经过多次试验,方案1的隐含层最佳节点数为58,方案2的隐含层最佳节点数为12。
模型采用的激活函数是f=1/(1+e-x),网络训练精度为0.02。
为加快网络学习的速度,同时又可以避免网络出现麻痹现象或振荡现象,采用加入动量项的全局学习速率自适应法。
该方法中的学习速率η、动量系数α的选择,目前还没有明确的说法,根据资料,一般η取值为0.01～1.0,α取值为0.7～0.9。
通过试验,该模型选用η=0.01,α=0.9比较合适。
4 预测结果分析模型所要预测的是2000年断面6和断面12的岸线位置L和岸线位置变化量ΔL,预测结果见表1。
从表中可以看出:方案1的预测精度较低,总体看来误差偏大,其最大绝对误差达40m;方案2的预测结果比较稳定,误差也小,最大绝对误差为15m,比方案1小了25m。
表明模型输入、输出因子的选择对模型预测结果的影响很大。
方案1预测结果误差偏大的原因有2点:(1)其输出因子是左右岸线的位置,这个值的大小与断面左边起点的位置有关。
起点往左移,岸线位置值变大,往右移,值变小。
而输入因子基本不变(除深泓线位置随之变表1 BP模型预测值与实际值比较T ab.1 C omparis on between predicted values and measured ones of BP m odel (m)断面号岸线方案1实际值L预测值绝对误差方案2实际值ΔL预测值绝对误差6左岸52851315-27-1215右岸841854139189 12左岸3003111l-4-1410右岸97010104024213化外),也就是说用相同的输入因子和大小可以人为改变的输出因子进行组合来预测岸线的变化,这种预测存在一定的随意性,即不同的断面起点会得到不同的岸线冲淤变化量;(2)输入因子与输出因子间关系不密61水 道 港 口第27卷第1期切,某一年份的水沙等作用的结果实际上就是当年的岸线冲淤变化量,而岸线位置这个输出因子只是对岸线冲淤量的含糊表示形式。
从网络试验过程看也能说明这个问题,方案1的隐含层节点数很大,由于输入、输出因子的选择欠佳,模型必须通过增加隐含层节点数这种“过拟合”方法来达到对训练样该期望值的“适应”,但这时候得出的权值不是非线性关系的真正权值,结果造成预测值和实际值相差较大。