基于Matlab的BP神经网络在大坝观测数据处理中的应用
在Matlab中实现神经网络的方法与实例
在Matlab中实现神经网络的方法与实例神经网络是一种模拟人类大脑神经系统的计算模型，它能够通过学习数据的模式和关联性来解决各种问题。
在计算机科学和人工智能领域，神经网络被广泛应用于图像识别、自然语言处理、预测等任务。
而Matlab作为一种功能强大的科学计算软件，提供了一套完善的工具箱，可以方便地实现神经网络的建模和训练。
本文将介绍在Matlab中实现神经网络的方法与实例。
首先，我们会简要介绍神经网络的基本原理和结构，然后详细讲解在Matlab中如何创建并训练神经网络模型，最后通过几个实例展示神经网络在不同领域的应用。
一、神经网络的原理和结构神经网络模型由神经元和它们之间的连接构成。
每个神经元接收输入信号，并通过权重和偏置进行加权计算，然后使用激活函数对结果进行非线性变换。
这样，神经网络就能够模拟复杂的非线性关系。
常见的神经网络结构包括前馈神经网络（Feedforward Neural Network）和循环神经网络（Recurrent Neural Network）。
前馈神经网络是最基本的结构，信号只能向前传递，输出不对网络进行反馈；而循环神经网络具有反馈连接，可以对自身的输出进行再处理，适用于序列数据的建模。
神经网络的训练是通过最小化损失函数来优化模型的参数。
常用的训练算法包括梯度下降法和反向传播算法。
其中，梯度下降法通过计算损失函数对参数的梯度来更新参数；反向传播算法是梯度下降法在神经网络中的具体应用，通过反向计算梯度来更新网络的权重和偏置。
二、在Matlab中创建神经网络模型在Matlab中，可以通过Neural Network Toolbox来创建和训练神经网络模型。
首先，我们需要定义神经网络的结构，包括输入层、隐藏层和输出层的神经元数量，以及每个神经元之间的连接权重。
例如，我们可以创建一个三层的前馈神经网络模型：```matlabnet = feedforwardnet([10 8]);```其中，`[10 8]`表示隐藏层的神经元数量分别为10和8。
基于BP神经网络的流溪河水库短期水位预报
基于BP神经网络的流溪河水库短期水位预报2 河北省智慧水利重点实验室河北邯郸 0560383 上海勘测设计研究院有限公司上海 200434；4 中国长江三峡集团有限公司湖北武汉 430010摘要：流溪河水库作为广州市唯一的大型水库，研究其调度运行对于广州市的防汛抗旱具有重大意义。
水位是水库维持正常运作的一个重要参数，也是水库实时调度的基础。
为预测流溪河水库水位实时变化，本文采用BP神经网络方法，构建了流溪河水位预报模型，模型以预报断面前期水位、上游断面前期水位和区间面雨量为输入参数，对流溪河水库进行了预见期为3h、6h、12h和24h的水位预报。
结果表明：（1）该模型能够较好实现流溪河水库的短期水位预报，各预见期精度均达到甲级标准；（2）不同预见期的精度各有差异，其中3小时预见期的精度最高。
研究结果证明了该方法的可行性和高精度，可应用于流溪河水库的运行和其他相关工作。
关键词:水位预测；BP神经网络；流溪河水库；预见期1引言流溪河水库是广州市唯一一座集防洪、灌溉、发电、养殖、旅游于一体的大型水库[1]。
水位是水库保持各种功能平衡的重要指标。
在水库运行中，多目标综合调度是水库的主要任务，水位预测是水库运行的基础。
随着机器学习技术的发展，基于深度学习的预测模型逐渐成为一种新的发展趋势。
要震等人[2]建立了基于遗传算法(GA)优化Elman神经网络的河流水位预测模型，该模型具有收敛速度快、精度高等优点；纪国良等人[3]将灰色模型和神经网络模型相结合进行水位预报，结果表明比单独运用灰色模型或者神经网络模型预测精度更高；Ashaary等人[4]研究了神经网络预测水库水位的潜力，通过建立6个不同的神经网络模型并进行比较，结果建运用前期长达2天的水库水位的变化数据进行建模时，预报结果最优。
由此可知，BP神经网络在水位预报领域的大量应用实例均获得了不错的效果，已日趋成熟。
本文构建了流溪河水库水位预测模型，探讨了其对流溪河水库水位预测的潜力，从而为流溪河水库的运行提供可靠的水位预测结果。
大坝监测论文
大坝安全监测与控制的研究工作综述摘要: 水资源开发与利用的程度和深度正在进一步的发展, 随之而来的大坝安全问题也越来越严重。
本文从观测数据的误差处理与分析、观测资料正分析、大坝结构性态的反分析、大坝安全综合评判与决策等方面, 阐述了大坝安全监控的国内外研究现状和发展, 并针对未来大坝安全监控研究的发展特点, 提出了作者相应的建议。
关键词: 水利水电; 大坝安全; 监测与控制; 发展状况0 概述20世纪20年代以来，国际上相继发生了圣佛朗西斯（美国），1928 年、马尔巴塞（法国），1959 年、瓦依昂特（意大利），1963年等跨坝事件，我国也先后发生了板桥、石漫滩1975年洪水漫顶以及沟后水库1993年渗透破坏等跨坝事件，给相关国家带来了惨重的灾害和巨大的经济损失，各国政府和坝工界开始对大坝安全监测高度重视。
有关统计分析表明, 大坝失事或严重大坝事故主要表现为四种形式：设计洪水偏低引起漫顶; 地质勘探不充分造成失稳和渗漏; 设计与施工缺陷导致大坝老化加速; 遭遇地震等特殊荷载。
因此, 必须针对不同大坝的具体情况和特点, 设置相应的安全监测项目, 对大坝变形、渗流、应力应变等进行连续而全面的监测, 并对实测数据进行及时的处理和分析, 在此基础上实现大坝安全性态的综合评判, 以馈控大坝的安全和运行。
大坝安全监测与控制的研究工作可以大致分为五个方面：（1）观测资料的误差处理与分析; （2）观测资料的正分析; （3）观测资料与大坝结构性态的反分析; （4）大坝安全综合评判与决策。
各个方面的研究相互联系, 构成了大坝安全监控的理论框架体系。
1观测资料的误差处理与分析一般可将大坝安全监测数据的误差分为系统误差、随机误差和粗差三类。
在测量过程中, 应当剔除粗差, 消除或削弱系统误差, 使观测值中仅含随机误差。
测量误差分析的方法一般有测值范围检验分析法、数学模型分析法及统计检验法等。
系统误差可分为定值系统误差和变值系统误差。
BP神经网络在多普勒雷达降水量的估测中的应用
间 、降水类型 、季节 、地域的变化而变化的[4 - 5] 。 因此 , Z - R 关系式的应用受到限制 , 在一特定的 区域用一个不变的 Z - R 经验关系式必然使得估测 结果往往与实际雨量存在较大的偏差[6] 。本文采用 改进的最佳窗概率配对法建立本地化的 Z - R关系 , 可在一定程度上提高雷达定量估测降水的精度 , 但 仅通过 Z - R 关系估测的降水仍存在较大的误差 。 因此 , 寻求一种适宜的估测方法是提高降雨估测效 果的有效途径 。 人工神经网络 ( ANN) 是在研究生物神经网络 的基础上建立的模拟人脑思维与记忆的神经网络模 型 。以其大规模的并行计算与分布式存贮能力 , 非 线性映射能力 , 较强的容错性 、自适应 、自学习的 能力等许多特性在降水径流预报等水文科学领域得 到广泛应用[7] 。近年来 , ANN 结合遥感雨量计数 据来估测降雨被许多研究者关注 , 许多研究表 明[8 - 10 ] : ANN 在降水估测和预报中都产生了较好 的效果 。Hsu 等[11] 将自适应神经网络结合红外遥 感图 像 和 地 面 雨 量 计 数 据 应 用 于 降 雨 估 测。
2 研究区域和数据处理
2. 1 试验区域和资料 试验区域位于山东省临沂地区雷达半径 150 km 之内 , 约 117. 40°～119. 18°E , 34. 37°～ 36. 38° E 的沂沭河流域 。雨量计资料来自山东临沂地区的 10 个气象站的 1 h 雨强 。雷达回波资料取自投入 实际业务运行的 CIN RAD/ SC 多普勒天气雷达三 维体扫资料 , 取样间隔时间为 6 min 。由于雷达波 束高度随距离增加而增加 , 雷达有效照射体积随距 离增加可能出现波束未充塞 , 因此 , 雷达反射率因 子随距离增加在一般情况下是递减的 。从空间上考 虑 , 把雷达中心定为零点可划分 4 个圈带 : 0～20 km 、20～35 km 、35～50 km 、50～230 km 不等 , 雷达中心所在地的坐标为 118. 348°E , 35. 051°N 。 根据经验 , 总结出了针对不同圈带的最具代表性的 雷达扫描仰角 , 0～20 km 用 3. 4°仰角 PPI 数据 , 20 ～35 km 用 2. 4°仰角 PPI 数据 , 35～50 km 用 1. 5° 仰角 PPI 数据 , 50～230 km 用 0. 5°仰角 PPI 数据 , 将不同仰角的 PPI 数据组合成 1. 2 km 高度上的反 射率因子场作为 Z - R 关系转换处理的基本场 。用 2005 年的 4 次降雨过程进行 Z - R 关系的建立和 B PNN 的训练 。采用时间分辨率为 1 h 降水作为一
BP神经网络预测的matlab代码
BP神经网络预测的matlab代码附录5:BP神经网络预测的matlab代码: P=[ 00.13860.21970.27730.32190.35840.38920.41590.43940.46050.47960.49700.52780.55450.59910.60890.61820.62710.63560.64380.65160.65920.66640.67350.72220.72750.73270.73780.74270.74750.75220.75680.76130.76570.7700]T=[0.4455 0.323 0.4116 0.3255 0.4486 0.2999 0.4926 0.2249 0.48930.2357 0.4866 0.22490.4819 0.2217 0.4997 0.2269 0.5027 0.217 0.5155 0.1918 0.5058 0.2395 0.4541 0.2408 0.4054 0.2701 0.3942 0.3316 0.2197 0.2963 0.5576 0.1061 0.4956 0.267 0.5126 0.2238 0.5314 0.2083 0.5191 0.208 0.5133 0.18480.5089 0.242 0.4812 0.2129 0.4927 0.287 0.4832 0.2742 0.5969 0.24030.5056 0.2173 0.5364 0.1994 0.5278 0.2015 0.5164 0.2239 0.4489 0.2404 0.4869 0.2963 0.4898 0.1987 0.5075 0.2917 0.4943 0.2902 ]threshold=[0 1]net=newff(threshold,[11,2],{'tansig','logsig'},'trainlm');net.trainParam.epochs=6000net.trainParam.goal=0.01LP.lr=0.1;net=train(net,P',T')P_test=[ 0.77420.77840.78240.78640.79020.7941 ] out=sim(net,P_test')友情提示:以上面0.7742为例0.7742=ln(47+1)/5因为网络输入有一个元素，对应的是测试时间，所以P只有一列，Pi=log(t+1)/10，这样做的目的是使得这些数据的范围处在[0 1]区间之内，但是事实上对于logsin命令而言输入参数是正负区间的任意值，而将输出值限定于0到1之间。
基于MATLAB回归算法的分水江大坝坝基扬压力分析
同时在大坝 的两 坝肩 布置绕 坝 渗流 测压 管。其 中 Ｐ １一Ｐ ８ １
为扬压力观测孔 ，如 图 １ 所示 。观测 方法是 在设计 位置 先
段 ，共 ９ ，每孔净宽 １． 孔 ２０ｍ，由露顶式 弧形 钢闸 门控制 ， 堰体采用低槛实用堰型式 ，下游 以戽 式消力池戽 流消能 ；
打设测压管 ，然 后在 管 内悬 挂渗压 计 ，以实现 管 内水 位观
响。
关键词 ：多元逐步 回归分析 ；大坝监测 ；坝基扬压力 ；Ｍ Ｔ Ａ Ａ ＬＢ
中图分 类号 ：Ｔ ６８ １ Ｖ９ ． 文献标识码 ：Ｂ 文章编号 ：１０．０ Ｘ（０ ００－０ ６ ３ ０８７ １ ２１ ）４０２ ． ０
１ 工 程 概 况
分水江水利枢纽是以防洪为主，结合发电，兼顾灌溉、供
基金项 目：浙 江省 重大科 技专 项 资助项 目 （ ０ Ｃ３４ ０ ２ ８ １００—２ ； ） 浙江省水利科技计划资助项 目 （ Ａ ９ １ 。 Ｒ ００ ） 作者简介 ：赵 剑鑫 （９３一） １６ ，男 ，大专 ，工程 师 ，主要从 事 水利工程建设与管理工作。
・
扬压力 、坝体裂缝等 ）有 一定 关 系的 自变量 （ 如上下 游水 位 、温度 、降雨 、时间等 ）作为 预报 的因子 。但是 为 了达 到较高的预报 精度 ，常常选 择的 因子数 量较 多 ，在 这些 因
三
，
轴上 Ｉ７ ．５
轴 下 筠
轴 下２． ６Ｏ
轴４ 下． ０ ０
（
７
图 １ 扬压 力观测孔 的平面布置 图
３ 坝基扬压力 回归分析的基本原 理
收 稿 日期 ：２ １－１２ ０ ００．６
３ １ 逐 步 回归 分析 的基 本原理 ．
大坝自动监测数据异常值识别的改进数据跳跃法_赵键
随着大坝 安 全 监 测 数 据 自 动 化 采 集 水 平 的 提 高 ，测 点 增 多、测频加密，观测数据量大大增加，在 利 用 观 测 资 料 研 究 模 型 之前，必须对监测资料的可靠性加以 判 断，分 析 出 异 常 的 测 值。 在没有建立监控数学模型之前，识别异 常 值 常 用 统 计 检 验 的 方 法［１］。毛 亚 纯 等 人 提 出 的 数 据 跳 跃 法［２］能 够 有 效 地 提 高 异 常 值识别的效率，然而 数 据 跳 跃 法 由 于 自 身 存 在 的 一 些 不 足，还 未能编程实现自动化识别异常值的过程并应用到大坝自动监 测中。本文对 原 始 的 数 据 跳 跃 法 进 行 改 进 补 充 ，利 用 Ｍａｔｌａｂ 进行编程，在计算机上实现改进数据跳 跃 法 识 别 异 常 测 值 的 过 程，为实际工程应用提供一种更为准确 有 效 的 大 坝 监 测 异 常 值 识别方法。迄今为 止，本 方 法 尚 未 见 于 其 他 文 献 资 料，具 有 一 定的理论创新性。
在莱依达法则基础上提出的用于识别变形监测异常值数 据的“数据跳跃法”可以一定程度上 克 服 莱 依 达 法 则 的 局 限 性 ， 可将有异常的变形监测值识别出来，为 一 次 性 识 别 多 个 异 常 值 提供了解决方法。然而数据跳跃法要应用于大坝安全监测则 仍存在一些需要改进的地方：
（１）数据跳跃法 只 是 单 纯 地 处 理 一 系 列 重 复 测 量 数 据，而 大坝的监测数据往往都是一组时间序 列 数 据，时 间 对 应 的 测 值 位置对最终的分析结果有很大影响，因 此 需 要 在 对 数 据 进 行 分 析运算的同时仍保持其时间属性。
４ 算 例
某混凝土重力坝工程位于四川省甘孜藏族自治州康定县 境内，工程于２００５年 １１ 月 投 入 运 营。２０１１ 年 １０ 月，受 某 电 力 发展有限公司委托，西北农林科技大学 水 利 与 建 筑 工 程 学 院 承 担了其电站大坝安全监测系统和监测资料分析的专题研究工 作。下面先 以 其 气 调 室 钢 筋 计 Ｒ１ 点 监 测 数 据 为 例，对 其 在 ２００９ 年 ８ 月 的 数 据 进 行 异 常 值 识 别 。 测 点 原 数 据 见 表 １。
Matlab技术在神经网络中的应用案例
Matlab技术在神经网络中的应用案例引言神经网络作为一种模拟大脑神经元连接方式的计算模型，已经在各个领域展现出强大的应用潜力。
而Matlab作为一种强大的科学计算软件，为神经网络的研究和应用提供了便捷的工具和平台。
本文将以几个实际案例为例，介绍Matlab技术在神经网络中的应用。
案例一：手写数字识别手写数字识别是机器学习领域的一个经典问题。
以MNIST数据集为例，可以用神经网络来训练一个模型，实现对手写数字的识别。
首先，我们可以使用Matlab内置的函数将数据集导入，并对数据进行预处理，如图像大小的调整、归一化等。
然后，利用Matlab中的神经网络工具箱，可以快速构建、训练和优化神经网络，得到一个准确率较高的模型。
最后，对于一个新的手写数字样本，我们可以使用已经训练好的模型进行分类预测。
案例二：金融市场预测神经网络在金融市场预测方面也有广泛的应用。
以股票市场为例，我们可以使用Matlab将历史股票数据输入神经网络中，训练一个能够预测未来股价的模型。
通过对输入数据的特征工程和神经网络的超参数调整，我们可以提高模型的预测准确性。
此外，Matlab还提供了丰富的数据可视化工具，可以帮助我们对预测结果进行可视化分析，为投资决策提供支持。
案例三：医学影像分析神经网络在医学影像分析中也有很多应用。
以肺部CT图像分析为例，我们可以使用Matlab将图像数据转换成神经网络可识别的格式，并进行预处理，如图像增强、噪声去除等。
然后，我们可以基于已有的标注数据，训练一个神经网络模型，用于肺癌的自动诊断。
Matlab提供了强大的图像处理和模型训练工具，可以帮助我们高效地完成这一任务。
案例四：自然语言处理自然语言处理是人工智能领域的一个重要方向。
以情感分类为例，我们可以使用Matlab构建一个神经网络模型，对文本进行情感分类。
首先，我们需要将文本数据进行分词处理，并将其转换成神经网络可接受的向量表示。
然后，利用Matlab提供的文本预处理工具和神经网络工具箱，可以方便地构建和训练一个情感分类模型。
MATLAB中的神经网络算法详解
MATLAB中的神经网络算法详解一、引言神经网络是一种模拟生物神经元工作原理的计算模型，具有模式识别、分类、优化等各种应用。
在日常生活和工业生产中，我们经常会遇到需要处理大量数据并进行复杂计算的问题。
而神经网络算法正是为了解决这些问题而设计的。
MATLAB作为一种功能强大的数值计算软件，提供了丰富的神经网络算法库。
本文将通过对MATLAB中神经网络算法的详细解释，展示其在数据处理和分析方面的广泛应用。
二、神经网络基础1. 神经网络结构神经网络由神经元（或称为节点）和连接这些神经元的权重组成。
一般而言，神经网络通过层与层之间的连接来进行信息传递。
常见的神经网络结构包括前馈神经网络和循环神经网络。
前馈神经网络是最常见的神经网络结构之一。
它的信息传递是单向的，不会存在回路。
循环神经网络则允许信息在网络中进行循环传递，这使得它能够处理具有时序特点的数据。
2. 权重与偏置在神经网络中，每个连接都有一个权重，用来表示两个神经元之间的关系强度。
权重值可以是正、负，以及接近于零的任意值。
权重值越大，表示两个神经元之间的相关性越强。
除了权重，神经网络中还存在一个偏置值，用来表示神经元的激活阈值。
3. 激活函数激活函数决定了神经元的输出结果。
常见的激活函数包括Sigmoid函数、ReLU函数等。
激活函数的引入可以使神经网络模型拟合非线性问题。
三、MATLAB中的神经网络算法1. 建立神经网络模型在MATLAB中，可以利用神经网络工具箱来建立神经网络模型。
首先，我们需要确定网络的架构，包括输入层的节点数、隐藏层的节点数、输出层的节点数等。
然后，我们可以使用MATLAB提供的函数创建一个神经网络对象，设定各层的节点数以及激活函数类型。
2. 训练神经网络神经网络的训练过程是一个优化问题。
训练过程中，我们需要定义一个损失函数来衡量模型在训练数据上的拟合程度。
MATLAB提供了多种优化算法，如反向传播算法、遗传算法等，用于调整网络中的权重和偏置，从而最小化损失函数。
(完整版)BP神经网络matlab实例(简单而经典)
p=p1';t=t1';[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络net.trainParam.show=2000; % 训练网络net.trainParam.lr=0.01;net.trainParam.epochs=100000;net.trainParam.goal=1e-5;[net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP 网络pnew=pnew1';pnewn=tramnmx(pnew,minp,maxp);anewn=sim(net,pnewn); %对BP网络进行仿真anew=postmnmx(anewn,mint,maxt); %还原数据y=anew';1、BP网络构建（1）生成BP网络=net newff PR S S SNl TF TF TFNl BTF BLF PF(,[1 2...],{ 1 2...},,,)PR：由R维的输入样本最小最大值构成的2R⨯维矩阵。
S S SNl：各层的神经元个数。
[ 1 2...]{ 1 2...}TF TF TFNl：各层的神经元传递函数。
BTF：训练用函数的名称。
（2）网络训练[,,,,,] (,,,,,,)=net tr Y E Pf Af train net P T Pi Ai VV TV（3）网络仿真=[,,,,] (,,,,)Y Pf Af E perf sim net P Pi Ai T{'tansig','purelin'},'trainrp'2、BP网络举例举例1、%traingdclear;clc;P=[-1 -1 2 2 4;0 5 0 5 7];T=[-1 -1 1 1 -1];%利用minmax函数求输入样本范围net = newff(minmax(P),T,[5,1],{'tansig','purelin'},'trainrp');net.trainParam.show=50;%net.trainParam.lr=0.05;net.trainParam.epochs=300;net.trainParam.goal=1e-5;[net,tr]=train(net,P,T);net.iw{1,1}%隐层权值net.b{1}%隐层阈值net.lw{2,1}%输出层权值net.b{2}%输出层阈值sim(net,P)举例2、利用三层BP神经网络来完成非线性函数的逼近任务，其中隐层神经元个数为五个。
Matlab中的神经网络工具箱介绍与使用
Matlab中的神经网络工具箱介绍与使用神经网络是一种模拟人脑思维方式的计算模型，它通过由多个神经元组成的网络，学习数据的特征和规律。
在计算机科学领域，神经网络被广泛应用于模式识别、数据挖掘、图像处理等诸多领域。
Matlab作为一种功能强大的科学计算软件，提供了专门用于神经网络设计和实现的工具箱。
本文将介绍Matlab中的神经网络工具箱，并探讨其使用方法。
一、神经网络工具箱的概述Matlab中的神经网络工具箱（Neural Network Toolbox）是一款用于构建和训练神经网络的软件包。
它提供了丰富的函数和工具，可用于创建不同类型的神经网络结构，如前向神经网络、反向传播神经网络、径向基函数神经网络等。
神经网络工具箱还包括了各种训练算法和性能函数，帮助用户对神经网络进行优化和评估。
二、神经网络的构建与训练在使用神经网络工具箱前，我们需要先了解神经网络的基本结构和原理。
神经网络由输入层、隐藏层和输出层组成，每一层都包含多个神经元。
输入层接受外部输入数据，通过权重和偏置项传递给隐藏层，最终输出到输出层，形成网络的输出结果。
构建神经网络的第一步是定义网络的结构，可以使用神经网络工具箱中的函数创建不同层和神经元的结构。
例如，使用feedforwardnet函数可以创建一个前向神经网络，输入参数指定了每个隐藏层的神经元数量。
然后，可以使用train函数对神经网络进行训练。
train函数可以选择不同的训练算法，如标准反向传播算法、Levenberg-Marquardt算法等。
通过设置训练参数，例如训练迭代次数和学习速率等，可以对网络进行优化。
三、神经网络的应用案例神经网络在许多领域都有广泛的应用，下面以图像分类为例，介绍如何使用神经网络工具箱来训练一个图像分类器。
首先，我们需要准备训练数据和测试数据。
训练数据通常包含一组已经标记好的图像和相应的标签。
为了方便处理，我们可以将图像转化为一维向量，并将标签转化为二进制编码。
Matlab仿真大坝位移BP神经网络模型研究
文 章 选 取 辽 宁 省 白石 水 库 １ ９号 坝 段 的坝 顶 水 平位 移 作 为建 模 对 象 ， 全 部 观 测 数据 作 为 样 本 ，
并将观测数据分 为两个样本组 ：一组数据作 为拟
合样本 ， 用来建 立 网络 模 型 ； 另 一 组数 据 为 对 比样
本， 用来与网络模型的预报值作 比较分析 ， 检验 网 络模 型的预测、 预报能力。
２ ０ １ ４ 年第 ２ 期
【 文章编号 ］ １ Ｏ ０ ２ —０ ６ ２ ４ （ ２ ０ １ ４ ） Ｏ ２ 一ｏ ０ ５ ３ —０ ２
东北水利水电
水生态环境
Ｍａ ｄ ａ ｂ 仿真大坝位移 Ｂ Ｐ 神经网络模型研究
张 效
（ 辽宁省水利厅 ， 辽宁 沈 阳 １ １ ０ ０ ０ ０ ）
［ ２ ］ 覃光 华 ， 李 祚泳． Ｂ Ｐ网络过 拟合 问题 研究及应用 ［ Ｔ ］ ． 武
汉 大学学报 ， ２ ０ ０ ６ ， ３ ９ （ ６ ） ： ５ — ５ ８ ．
选 取坝体 变形数学模 型 的全部 １ ０ 个 因子作 为网络输入 ， 坝顶位移作为 网络输出 ， 即网络输入
层节 点数为 １ ０ ， 输 出层节点数为 １ 。
・
５ ３ ・
水生态环境
东北水利水 电
２ ０ １ ４ 年第 ２ 期
三个分量【 ３ 】 。通过坝工工程 力学推导 ， 水压位移分 量分别与坝前水深 Ｈ 的一次幂 、 二次幂 、 三次幂呈 线性关系。温度位移是 由于坝体和坝基温度变化 引起 的大坝位移 ，以坝体 、坝基温度作为变量 因
传算法、 蚁群算法、 粒 子 群 算 法 等 也 不 断 被 引 入 和
应用。
误差反 向传播算法 ，由信息的正向传播和 误
基于MATLAB的BP神经网络的应用
１．前言在传统的智能识别系统中，控制规则的获取完全按照设计者和操作人员的经验进行，在某些系统中，由于设计者和操作人员的局限性，智能识别系统的设计无法保证最优或次优的控制性能[1]。
而本文是基于人工神经网络的智能识别系统[2]，着力从行为上模拟人的控制推理和决策过程的实用控制方法，运用模糊控制理论[3]，将神经网络和模糊控制结合起来，提高人工神经网络的智能性。
基于神经网络的人工智能模糊控制适用于难以建模的对象，而且最终控制形式简单、容易实现，控制效果取决于是否正确、全面和有效的将操作人员的控制经验总结为一系列的语言控制规则[4]。
２．ＢＰ神经网络与ＢＰ算法2.1BP网络结构BP网络是一种多层前馈神经网络,包括输入层,隐层(中间层)和输出层,其中隐层可以是一层也可以是多层,一般而言,三层BP神经网络就可以解决大部分比较简单的问题。
BP网络前后层之间实现全连接,每层神经元之间无连接。
学习样本给了BP网络后,各神经元响应输入,信号从输入层,经隐层(中间层),向输出层传播,根据减少预期输出与实际输出差距这一原则,从输出层,经过各中间层,最后回到输入层,逐层修正各个连接权值,这种算法被称为“误差逆传播算法”,简称BP算法,随着误差逆传播的不断进行,网络响应输入的正确率也不断上升。
基本的BP网络结构如图1所示：图1基本的BP网络结构2.2BP算法BP算法的基本框图如图2所示：图2BP算法的基本框图３．洗衣机的人工网络智能系统3.1人工神经网络的模糊控制的结构特征人工神经网络的模糊控制器是由神经网络和模糊控制共同组成的混合系统，这种混合系统具备了这两种技术的优点。
人工神经网络模糊控制结构一般有3种组合形式，如图3所示。
图3人工神经网络模糊控制结构的一般组合形3.2洗衣机的神经网络模糊控制器的设计3.2.1基本推理图在设计洗衣机控制系统时，首先应该考虑其被控参量，一般来说主要为洗涤时间和水流强度；其次考虑影响这一输出参量的因子，主要是被洗涤物品的浑浊程度和浑浊性质。
LabVIEW中BP神经网络的实现及应用
0 引言LabVIEW是美国NI公司开发的高效图形化虚拟仪器开发平台，它的图形化编程具有直观、简便、快速、易于开发和维护等优点，在虚拟仪器设计和测控系统开发等相关领域得到了日益广泛的应用，它无需任何文本程序代码，而是把复杂、繁琐的语言编程简化成图形，用线条把各种图形连接起来。
BP神经网络属于前馈神经网络，它广泛应用函数逼近、模式识别、分类和数据压缩等领域，若将神经网络与虚拟仪器有机结合，则可以为提高虚拟仪器测控系统的性能提供重要的依据。
1 BP神经网络学习算法BP模型是一种应用最广泛的多层前向拓扑结构，以三层BP神经网络作为理论依据进行编程，它由输入层、隐层和输出层构成。
设输入层神经元个数为I，隐层神经元个数为J，输出层神经元个数为K，学习样本有N个(x，Y，)向量，表示为：输入向量X{x1，x2，…，xI}，输出向量l，{Y1，Y2，…，Yx)，理想输出向量为T{tl，t2，…，tK}。
(1)输入层节点i，其输出等于xi(i=1，2，…，I，将控制变量值传输到隐含层，则隐层第j个神经元的输入：其中：Wji是隐层第J个神经元到输入层第i个神经元的连接权值。
(2)隐层第J个神经元的输出：(3)神经网络输出层，第k个神经元的输入为：其中：Vkj是输出层第k个神经元到隐层第j个神经元的连接权值。
(4)神经网络输出层，第志个神经元的输出为：(5)设定网络误差函数E：(6)输出层到隐层的连接权值调整量△Vkj：(7)隐层到输入层的连接权值调整量wji：2 用LabVlEW实现BP神经网络的两种方法用LabVIEw实现BP神经网络的两种方法为：(1)由于Matlab具有强大的数学运算能力以及在测控领域的广泛应用。
在LabVIEW中提供了MatlabScript节点，用户可在节点中编辑Matlab程序，并在Lab—VIEW中运行；也可以在LabVIEW程序运行时直接调用已经存在的Matlab程序，如使用节点则必须在系统中安装：Matlab5以上版本，在写入Matlab节点前要将程序先调试通过，并确保其中变量的数据类型匹配。
[全]MATLAB数据分析,基于神经网络河南省降水量预测
![[全]MATLAB数据分析,基于神经网络河南省降水量预测](https://img.taocdn.com/s3/m/340874c5e87101f69f319515.png)
MATLAB数据分析，基于神经网络河南省降水量预测BP神经网络结构神经网络旨在通过模仿动物的神经系统利用神经元作为连接结点的新型智能算法，神经网络本身包含三层结构，输入层，隐含层，输出层，每一层都有自己的特殊功能，输入层进行因子的输入与处理。
由于在实际情况中，所有输入的数据并不是线性的，有的时间还是多维的，让该数据通过隐含层进行训练，使得数据可视化，以期达到自己所需要的数据，是神经网络的核心所在在经过隐含层后的训练后，数据基本上也就达到了自己的要求，这时就要对数据进行输出，三个层次之间互不影响，每一层的神经元的状态只能影响下一层神经元的状态，其结构如下图所示：本文建立的神经网络预测流程如下所示：神经网络预测实例本文以黄河流域中游的华山气象站点1957-2010年共54年的数据为基础，以1957-2000年的数据做为预测数据，2001-2010年的数据作为参考数据，利用前44年的数据来预测后十年的数据，并与后十年的实际数据进行对比，来确定预测精确度。
通过前期的分析可以得到被选入的输入变量集因子为水汽压，风速，气温，相对湿度；把降水量作为预测变量，以水汽压，风速，气温，相对湿度作为输入变量代入Matlab程序中进行预测，预测结果如下所示。
通过计算以水汽压，风速，气温和相对湿度作为输入变量来预测降水量的结果还是较为精确的，通过计算知预测中的相关系数达到72.16%，预测精准度还是很高的，误差率也是较小；但是预测精度还是有待于提高。
分析可知一方面在对降水量的预测中，预测因子并不是选择的越多越好，而是应该找到与预测变量相关性较大的因子，只有用与预测变量相关性较大的因子作为输入变量才能在预测算法中取得精确的预测结果，才能得到自己期望的结果；另一方面，在预测算法的选取中神经网络这种预测算法既方便，又精准，但是由于神经网络预测算法也有好多类型，应根据实际的需要去选择合适的预测算法。
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。
BP神经网络在MATLAB上的实现与应用
收稿日期:2004-02-12作者简介:桂现才(1964)),海南临高人,湛江师范学院数学与计算科学学院讲师,从事数据分析与统计,数据挖掘研究.2004年6月第25卷第3期湛江师范学院学报JO URN AL OF Z HA NJI ANG NOR M AL CO LL EG E Jun 1,2004Vol 125 N o 13BP 神经网络在M ATLAB 上的实现与应用桂现才(湛江师范学院数学与计算科学学院,广东湛江524048)摘 要:BP 神经网络在非线性建模,函数逼近和模式识别中有广泛地应用,该文介绍了B P 神经网络的基本原理,利用MA TL AB 神经网络工具箱可以很方便地进行B P 神经网络的建立、训练和仿真,给出了建立BP 神经网络的注意事项和例子.关键词:人工神经网络;BP 网络;NN box MA TL AB中图分类号:TP311.52 文献标识码:A 文章编号:1006-4702(2004)03-0079-051 BP 神经网络简介人工神经网络(Artificial Neural Netw orks,简称为N N)是近年来发展起来的模拟人脑生物过程的人工智能技术.它由大量简单的神经元广泛互连形成的复杂的非线性系统,它不需要任何先验公式,就能从已有数据中自动地归纳规则,获得这些数据的内在规律,具有很强的非线性映射能力,特别适合于因果关系复杂的非确性推理、判断、识别和分类等问题.基于误差反向传播(Back propagation)算法的多层前馈网络(Multiple -layer feedf or ward net 2work,简记为BP 网络),是目前应用最多也是最成功的网络之一,构造一个BP 网络需要确定其处理单元)))神经元的特性和网络的拓扑结构.1.1神经元模型神经元是神经网络最基本的组成部分,一般地,一个有R 个输入的神经元模型如图1所示.其中P 为输入向量,w 为权向量,b 为阈值,f 为传递函数,a 为神经元输出.所有输入P 通过一个权重w 进行加权求和后加上阈值b 再经传递函数f 的作用后即为该神经元的输出a.传递函数可以是任何可微的函数,常用的有Sigmoid 型和线性型.1.2 神经网络的拓扑结构神经网络的拓扑结构是指神经元之间的互连结构.图2是一个三层的B P 网络结构.B P 网络由输入层、输出层以及一个或多个隐层节点互连而成的一种多层网,这种结构使多层前馈网络可在输入和输出间建立合适的线性或非线性关系,又不致使网络输出限制在-1和1之间.2 M A TLAB 中B P 神经网络的实现BP 网络的训练所采用的算法是反向传播法,可以以任意精度逼近任意的连续函数,近年来,为了解决BP 网络收敛速度慢,训练时间长等不足,提出了许多改进算法[1][2].在应用BP 网络解决实际问题的过程中,选择多少层网络、每层多少个神经元节点、选择何种传递函数、何种训练算法等,均无可行的理论指导,只能通过大量的实验计算获得.这无形增加了研究工作量和编程计算工作量.M AT L AB 软件提供了一个现成的神经网络工具箱(Neural Netw ork T oolbox,简称N Nbox),为解决这个矛盾提供了便利条件.下面针对BP 网络的建立、传递函数的选择、网络的训练等,在介绍NN box 相关函数的基础上,给出利用这些函数编程的方法.2.1 神经网络的建立M AT LAB 的N Nbox 提供了建立神经网络的专用函数ne wff().用ne wf f 函数来确定网络层数、每层中的神经元数和传递函数,其语法为:net =ne wf f(PR,[S1,S2,,,S N],{TF1,TF2,,,T FN},B TF,BL F,PF)其中PR 是一个由每个输入向量的最大最小值构成的Rx2矩阵.Si 是第i 层网络的神经元个数.TFi 是第i 层网络的传递函数,缺省为tansig,可选用的传递函数有tansig,logsig 或purelin.BT F )字符串变量,为网络的训练函数名,可在如下函数中选择:traingd 、traingdm 、traingdx 、trainbfg 、trainlm 等,缺省为trainlm.BL F )字符串变量,为网络的学习函数名,缺省为learngdm.BF )字符串变量,为网络的性能函数,缺省为均方差c mse cnew ff 在确定网络结构后会自动调用init 函数用缺省参数来初始化网络中各个权重和阈值,产生一个可训练的前馈网络,即该函数的返回值为net.由于非线性传递函数对输出具有压缩作用,故输出层通常采用线性传递函数,以保持输出范围.2.2 神经网络训练初始化后的网络即可用于训练,即将网络的输入和输出反复作用于网络,不断调整其权重和阈值,以使网络性能函数net.performFcn 达到最小,从而实现输入输出间的非线性映射.对于new ff 函数产生的网络,其缺省的性能函数是网络输出和实际输出间的均方差M SE.在N Nbox 中,给出了十多种网络学习、训练函数,其采用的算法可分为基本的梯度下降算法和快速算法,各种算法的推导参见文献[1][2].在M A T LAB 中训练网络有两类模式:逐变模式(incremental mode)和批变模式(batch mode).在逐变模式中,每一个输入被作用于网络后,权重和阈值被更新一次.在批变模式中,所有的输入被应用于网络后,权重和阈值才被更新一次.使用批变模式不需要为每一层的权重和阈值设定训80湛江师范学院学报(自然科学) 第25卷练函数,而只需为整个网络指定一个训练函数,使用起来相对方便,而且许多改进的快速训练算法只能采用批变模式,在这里我们只讨论批变模式,以批变模式来训练网络的函数是train ,其语法主要格式为:[net,tr]=train(N ET,p,t),其中p 和t 分别为输入输出矩阵,NET 为由ne wff 产生的要训练的网络,net 为修正后的网络,tr 为训练的记录(训练步数epoch 和性能perf).train 根据在new ff 函数中确定的训练函数来训练,不同的训练函数对应不同的训练算法.Traingd 基本梯度下降算法.收敛速度慢,可用于增量模式训练.Traingdm 带有趋势动量的梯度下降算法.收敛速度快于Traingd,可用于增量模式训练.Traingdx 自适应学习速度算法.收敛速度快于Traingd,仅用于批量模式训练.Trainnp 强适应性BP 算法.用于批量模式训练,收敛速度快,数据占用存储空间小.Traincgf Fletcher-reeves 变梯度算法.是一种数据占用存储空间最小的变梯度算法.Traincgp Polak -Ribiere 变梯度算法.存储空间略大于Traincgp,但对有些问题具有较快的收敛速度.Traincgb Powell-beale 变梯度算法.存储空间略大于Traincgp,具有较快的收敛速度.Trainsc g 固定变比的变梯度算法.是一种无需线性搜索的变梯度算法.Trainbf g BFGS 拟牛顿算法.数据存储量近似于Hessian 矩阵,每个训练周期计算虽大,但收敛速度较快.Trainoss 变梯度法与拟牛顿法的折中算法.Trainlm Levenberg -Marquardt 算法.对中度规模的网络具有较快的收敛速度.Trainbr 改进型L )M 算法.可大大降低确定优化网络结构的难度.训练时直接调用上述的函数名,调用前为下列变量赋初始值:net.trainParam.show )))每多少轮显示一次;net.trainPara m.L r )))学习速度;net.trainParam.epochs )))最大训练轮回数;net.trainPara m.goal )))目标函数误差.2.3 仿真函数及实例利用仿真函数可对训练好的网络进行求值运算及应用.函数调用形式为:a=sim(net,p);其中net 为训练好的网络对象,p 为输入向量或矩阵,a 为网络输出.如果P 为向量,则为单点仿真;P 为矩阵,则为多点仿真.作为应用示例利用上述的函数,可解决下述非线性单输入单输出系统的模型化问题.已知系统输入为:x(k)=sin(k*P /50)系统输出为:y(k)=0.7sin(P x)+0.3sin(3P x)假定采样点k I [0,50].采用含有一个隐层的三层BP 网络建模,为了便于比较建立了两个模型.模型一的神经元为{1,7,1},模型二为{3,7,1},输入层和隐层传递函数均为TA NSIG 函数,输出层为线性函数.网络训练分别采用基本梯度下降法和变学习速度的梯度下降法.可编制如下的应用程序:k=0:50;x(k)=sin(k*pi/50);y(k)=0.7*sin(pi*x)+0.3*sin(3*pi*x);net=new ff([0,1],[1,7,1],{-tansig .,.tansig .,.purelin .},.traingd .);%建立模型一,并采用基本梯度下降法训练.net.trainParam.show=100;%100轮回显示一次结果81第3期 桂现才:BP 神经网络在M A TL AB 上的实现与应用82湛江师范学院学报(自然科学)第25卷net.trainParam.L r=0.05;%学习速度为0.05net.trainParam.epochs=50000;%最大训练轮回为50000次net.trainParam.goal=1e-4;%均方误差为0.0001net=train(net,x,y);%开始训练,其中x,y分别为输入输出样本y1=sim(net,x);%用训练好的模型进行仿真plot(x,y,x,y1);%绘制结果曲线若采用模型二,仅需将程序第4句ne wf f函数中的第二个参数改为[3,7,1].若采用变学习速度算法,仅需将该函数第4个参数改为.traingda.,加入:net.trainparam.lr-inc=1.05%;训练速度增加系数.一句即可.模型一用基本梯度下降法,训练次数要5万次以上,用变学习速度的梯度下降法,训练次数为4214次.模型二用基本梯度下降法,训练次数要5万次以上,用变学习速度的梯度下降法,训练次数6511次.(M A TL AB6.0)以上结果反映出BP网络经有效训练后可很好地逼近非线性函数.但其训练次数过多,训练时间长.3建立BP神经网络的注意事项利用M A TL AB软件提供的工具箱编制采用BP网络解决非线性问题程序是一种便捷、有效、省事的途径,但在使用时要解决好以下几个关键环节.3.1神经元结点数网络的输入与输出结点数是由实际问题的本质决定的,与网络性能无关.网络训练前的一个关键步骤是确定隐层结点数L,隐层结点数的选择与其说具有科学性,不如说更具有技巧性,往往与输入数据中隐含的特征因素有关.L的选择至今仍得不到一个统一的规范.L的初始值可先由以下两个公式中的其中之一来确定[3][4].l=m+n(1)或l=0143mn+0112n2+2154m+0177n+0135+0151(2)其中m、n分别为输入结点数目与输出结点数目.隐层结点数可根据公式(1)或(2)得出一个初始值,然后利用逐步增长或逐步修剪法.所谓逐步增长是先从一个较简单的网络开始,若不符合要求则逐步增加隐层单元数到合适为止;逐步修剪则从一个较复杂的网络开始逐步删除隐层单元,具体实现已有不少文献讨论.3.2传递函数的选择工具箱提供了三种传递函数:L og-sigmoid、tan-sigmoid和线性函数.前两种为非线性函数,分别将x I(-],+])的输入压缩为y I[0,1]和y I[-1,+1]的输出.因此,对非线性问题,输入层和隐层多采用非线性传递函数,输出层采用线性函数,以保持输出的范围,就非线性传递函数而言,若样本输出均大于零时,多采用L og-sigmoid函数,否则,采用Tan-sigmoid函数.对线性系统而言,各层多采用线性函数.3.3数据预处理和后期处理如果对神经网络的输入和输出数据进行一定的预处理,可以加快网络的训练速度,M A TL AB 中提供的预处理方法有(1)归一化处理:将每组数据都变为-1至1之间数,所涉及的函数有pre mnmx、postmnmx、tramnmx;(2)标准化处理:将每组数据都化为均值为0,方差为1的一组数据,所涉及的函数有prestd、poststd、trastd;(3)主成分分析:进行正交处理,可减少输入数据的维数,所涉及的函数有prepca、trapca.(4)回归分析与相关性分析:所用函数为postrg,可得到回归系数与相关系数,也可用[5]介绍的方法进行置信区间分析.下面以归一化处理为例说明其用法,另外两种预处理方法的用法与此类似.对于输入矩阵p 和输出矩阵t 进行归一化处理的语句为:[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t);训练时应该用归一化之后的数据,即:net =train(net,pn,tn);训练结束后还应对网络的输出an =sim(net ,pn)作如下处理:a =postmnmx(an,mint,maxt);当用训练好的网络对新数据pne w 进行预测时,也应作相应的处理:pnew n =tramnmx(pne w,minp,maxp);ane wn =sim(net,pne wn);ane w =postmnmx(anew,mint,ma xt);3.4 学习速度的选定学习速度参数net.trainparam.lr 不能选择的太大,否则会出现算法不收敛.也不能太小,会使训练过程时间太长.一般选择为0.01~0.1之间的值,再根据训练过程中梯度变化和均方误差变化值来确定.3.5 对过拟合的处理网络训练有时会产生/过拟合0,所谓/过拟合0就是训练集的误差被训练的非常小,而当把训练好的网络用于新的数据时却产生很大的误差的现象,也就是说此时网络适应新情况的泛化能力很差.提高网络泛化能力的方法是选择合适大小的网络结构,选择合适的网络结构是困难的,因为对于某一问题,事先很难判断多大的网络是合适的.为了提高泛化能力,可用修改性能函数和提前结束训练两类方法来实现,详见[6].参考文献:[1] 张乃尧、阎平凡.神经网络与模糊控制[M].北京:清华大学出版社,1998.[2] 刘增良、刘有才.模糊逻辑与神经网络)))理论研究与探索[M].北京:北京航空航天大学出版社,1996.[3] 徐庐生.微机神经网络[M].北京:中国医药科技出版社,1995.[4] 高大启.有教师的线性基本函数前向三层神经网络结构研究[J].计算机学报,1998,21(1):80-85[5] 陈小前,罗世彬,王振国,等1B P 神经网络应用中的前后处理过程研究[J].系统工程理论与实践,2002,22(1):65-70.[6] 闵惜琳、刘国华.用MA TLAB 神经网络工具箱开发B P 网络应用[J].计算机应用,2001,21(8):163-164.[7] 飞思科技产品研发中心.MA TLAB 6.5辅助神经网络分析与设计[M].北京:电子工业出版社,2003.Realization of BP Networks and Their Applications on MATLABG UI Xian-cai(Mathe matics and C omputational Science School,Zhanji ang Normal C ollege,Zhanjiang,Guangdong 524048,Chi na)Abstract:B P Neural Netw orks are widely applied in nonlinear modeling,f unction approach,and pat 2tern rec ognition.This paper introduces the fundmental of BP Neural Networks.Nnbox can be easily used to create,train and simulate a netw ork,w hile some e xamples and explanations are given.Key words:Artificial Neural Netw orks;B P Networks;Nnbox;M A TL AB 83第3期 桂现才:BP 神经网络在M A TL AB 上的实现与应用。
基于神经网络的测量机器人大坝监测观测值折光修正
基于神经网络的测量机器人大坝监测观测值折光修正
孙倩雯;周建国;刘冠兰
【期刊名称】《中国农村水利水电》
【年(卷),期】2024()4
【摘要】测量机器人在水库大坝自动化监测中应用广泛,为确保监测结果的可靠性,需对原始观测值进行折光修正。
结合测量机器人自动化监测可提高监测频率、提供大量观测数据的特点,在分析观测值折光影响因素的基础上,构建了神经网络折光修正模型来对原始观测值:垂直角、斜距、水平角进行修正。
并利用某水电大坝自动化监测系统展开了试验与验证,选取评价指标对模型修正后观测值精度进行分析。
结果表明,对于以垂直角为基础的垂直位移修正,基于神经网络的方法相对于传统的K值修正公式效果明显,最高可提升垂直位移的精度约2 mm。
对于斜距修正,基于神经网络的方法有一定的效果,显示出距离越远效果越明显的趋势。
对于水平角修正,数据结果表明水平角观测值受折光影响较小,使用神经网络进行修正并不能进一步提高观测值的精度。
【总页数】6页(P187-192)
【作者】孙倩雯;周建国;刘冠兰
【作者单位】湖北工业大学土木建筑与环境学院;武汉大学测绘学院
【正文语种】中文
【中图分类】P642.22;TV698.1
【相关文献】
1.基于Nova TM50测量机器人的水电站大坝边坡变形自动化监测系统架构及运用
2.基于GNSS及测量机器人的大坝安全监测研究——以枕头坝水电站为例
3.基于智能观测机器人的老旧混凝土大坝变形监测设计研究
4.基于测量机器人的大坝外观监测精度影响因素研究
5.基于测量机器人自动化监测系统的大气折光改正模型效果分析
因版权原因，仅展示原文概要，查看原文内容请购买。
变形监测采用哪个等级
变形监测采用哪个等级,主要按下列方法确定。
(1)以高层建筑阶段平均变形量为依据;(2)以某些固定值为依据;(3)以高层建筑最小变形值为依据;(4)以预估变形量或变形速度为依据;(5)以地基允许变形值为依据。
在实际监测中,通常根据高层建筑的地基允许变形值来推算,高层建筑的地基允许变形值一般是由设计单位给定的或者由相应的建筑规范规定的。
地基允许变形值包括沉降量、沉降差、倾斜和局部倾斜四种。
根据《建筑地基基础设计规范(GBJ7-89)》规定，常用的高层建筑地基允许变形值，可以求出相应的允许变形量，根据实际情况取其就得到应该采用的测量精度。
由此可进一步确定采用的观测手段、仪器设备等，也为监测网网形的设计和优化提供参考。
经过广大测量科技工作者和工程技术人员近30年的共同努力，在变形监测领域取得了丰硕的理论研究成果，并发挥了实用效益。
以我国为例：①利用地球物理大地测量反演论，于1993年准确地预测了1996年发生在丽江大地震。
②1985年6月12日长江三峡新滩大滑坡的成功预报，确保灾害损失减少到了最低限度。
它不仅使滑坡区内457户1371人在活泼前夕全部安全撤离，无一伤亡，而且使正在险区长江上下游航行的11艘客货轮船及时避险，免遭灾害。
为国家减少直接经济损失8700万元，被誉为我国滑坡预报研究史上的奇迹。
③隔河岩大坝外观变形GPS自动化监测系统在1998年长江流域抗洪峰中所发挥的巨大作用，确保了安全度汛，避免了荆江大堤灾难性分洪。
科学、准确、及时地分析和预报工程及工程建筑物的变形情况，对工程建筑物id施工和运营管理极为重要，这一工作术语变形监测的范畴。
由于变形监测涉及到测量、工程地质、水文、结构力学、地球物理、计算机科学等诸多学科的知识，因此，它是一项跨学科的研究，并正向着边缘科学发展。
也已经成为测量工作者和其他学科专家合作的研究领域。
神经网络的研究始于20世纪40年代。
半个多世纪以来，它经历了一条由兴起到衰退、又由衰退到兴盛的曲折发展过程，这一发展过程大致可以分为四个阶段： 1. 初始发展阶段: 1943年，心理学家W.S.McCulloch和数学家W.Pitts在研究生物神经元的基础上提出了一种简单的人工神经元模型，即后来所谓的“M-P模型”，虽然M-P模型过于简单，且只能完成一些简单的逻辑运算，但它的出现开创了神经网络研究的先河，并为以后的研究提供了依据；1949年心理学家D.O.Hebb发表了论著《行为自组织》提出了Hebb学习律；1957年，F.Rosenblatt提出了著名的感知器模型，这是一个真正的人工智能网络，它确立了从系统角度研究神经网络的基础；1960年，B.Widrow和M.E.Hoff提出了自适应线性单元网络，同时还提出了Widrow-Hoff学习算法，即后来的LMS算法。
- 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)。
利用神经网络对大坝变形监测数据进行分析 ,
大坝变形监测的 BP 网络模型
这就是第 i 个隐层所需的隐层节点数 ; 个隐层 .
V i, Σ A i 中 起 主导 作 用的 奇 异值 有 q i 个 ( qi ≤ ni ) , ( 4) 依次类推 , 一层接一层地分析 , 直至最后一 对于样 本中 的 一 些 不 敏 感 样 本 , 先按 一般的
误差反 向 传 播 ( E rr or Back P r op agatio n ) . 其算法
现某个样本误差很大 , 而其他样本的误差却远小于
络收敛达不到要 求或 出现 振 荡 , 则进 行检 查 . 若 发
BP 算法训练网络 , 经过一定的迭代步数后 , 如果 网
它, 则去掉该样本 , 重新学习 . 反复进行以上操作直 可写为 E = 1 2 o ∑∑(
defect o f t he net w or k ,and get im pr o veme n t in accuracy a nd t raining speed of t he net w o rk .
主要采用统计
网 络模 型[3 ～
6]
方 法可 以对 多个 变量 的 系统 进行 有
和预测预报 . 这些数学模型均在一定程度上含有统 零、 各次观测互相独立以及观测误差呈正态分布的 计特性 , 它们或者建立在观测误差的数学期望全为
mse =
1 2 2 1 ( ei ) = ( ti - ai ) N∑ N∑ 1 1
N
种 方 法 需 要 很 大 的 存 储 空 间 . L evenber g-M arT
quard t 优化法的 权 值 调整 率 选 为 Δ ω = ( J + u ) e 为误差 向量 , u 为 一个标 量 . 当 u 很 大时 , 上 式就
效的分析 , 它不需要 建 立确 定的 数学 模型 , 其拟 合 精度与预报精度都满足实际应用的要求 . Matlab
[5 , 6]
是用 于 数 值 计 算 和 图 形 处 理 的 科
假定前提下 , 或者建立在对大坝物理力学性质的一 定假设基础之上 , 因此其模型精度在很大程度上取 决于建模因子的选 择是 否 恰当 . 此 外 , 时 效的 影响 进行监测数据的 拟合 一般 精度 不是 很 高 . 利用 B P 因素复杂 , 存在很大的不确定性 . 因此 , 用上述模型
用 BP 网络建 立对 大 坝变 形 的分 析 与 预 报 模型 是 对神经网络运用 较多 的一 种 . B P 网络 是 一种 多层 前馈神经网络 , 其神 经元 的变 换函 数是 S 型函 数 ,
பைடு நூலகம்
是通过调节网络的 权值 和阈 值使 网络 输 出层 的误
属于 δ 算法 , 是 一种 监督式 的学 习算 法 , 基本 思想
文献标识码 : A
Abstract:A BP ar tificial ne ural net w ork m odel of data pr ocessing of dam safet y m o nit o ring is esta blis hed ;and a n o rt ho go nal t ra nsfo r matio n met ho d is used t o im pro ve t he m o del of dat a pr oces sing of da m safet y m o nit o ring . A pp lyi ng M atla b functio n t o build net w ork mo del a nd select pr oper t raini ng f unctio n , sho w s t hat t he BP a r tificial neur al net w o rk superior desig n based o n Matlab can m or e effectively a void Key words:dam safety m o nit o ring ;M atlab ;B P ar tificial neural net w o rk 模型 、 确定性模型和混合模型来进行安全评价分析 目前 , 国内外大坝安全 监测[1 ～
在 M atla b 函 数 库 中 , 用来 初始 化 的函 数 为
BP 网络的初始化、 学习、 训练改进
元个数 , w2 为传 递函 数 . 网 络的 学 习过 程 中 , 可以
数 tr ainbp 、 t rain bpx 、 t rainlm 可用 来 对 BP 网 络 进 要缺点是 : ( 1) 收敛速度慢 ; ( 2) 局部极值 , 并且很难
隐层神经元个数 , w1 为传递函数 , b2 为输出层神经 用 到 deltalin 、deltalog 、deltata n 等 函 数 ,此 外 learnbp 可以计算出 网络 权 值和 阈 值的 修 正值 . 函 在实际应用中 , B P 算法一般难以胜任 . 它的 主 行训练 .
w1 ,b2 , w2 ) , p 为已 知输入向量 , b1 为 initff ( p,b1 ,
领域 , 我 们在
得到一个 m× ni 矩阵 A i ;
T A
的输出 , 从而 个隐层节点 ( 假设这一层有 ni 个节点) 得 到 Ai = U A i Σ A i ( 3) 对 Ai 进 行 奇 异 值 分 解 ,
( 2) 再将 m 个 训练 样 本 输入 到 网络 , 计算 第 i
1
最重要的是网络对大坝变形量的预报能力 . 目前采
A oj 2 1 E = ( 1 - ) + 4∑ t j 4 j= 1
o ∑(
j = 1
j
- tj )
2
般具有一个隐 层 的 BP 网 络 就可 以 解 决 函 数逼 近 节点的设计 . 本文采用正交变换法来优化设计大坝 的问题 , 因此在这里 B P 网络 结构 的设 计就是 隐层 奇异值分解 . 正交变换可以将一组数据中线性相关 络中某一隐层节点 的输 出所 形成 的矩 阵 作奇 异值 变形监测的 BP 网络结构 , 这 里所 用的 正交变 换是 部分去除 , 压缩信 息 , 因 此我 们可 以对 前 馈神 经网 种方法设计网络结构 , 最初选择的网络结构是过大 的, 而不是过小的 . 网络结构设计步骤为 : 分解 , 根据奇异值 分布 情 况来 优化 网络 结构 . 以这
在正则化 方法 中 , 网络性能函数改进变为如下形 系数 , m se 为所有网络权值平方和的 均值 . 因此 , 可 以在保证网络训 练误 差尽 可能 小的 情 况下 使网 络 具有较小的权值 , 相当于自动缩小了网络的规模 . 式: mse reg = γ · mse + ( 1 - γ) ms w , 其 中, λ 为比 例
收稿日期 : 2005-01-20 作者简介 : 徐 晖( 1957-) , 男, 安徽人, 副教授 , 从事大坝变形监测和精密工程测量等方面的研究 .
2
武汉大学学报 ( 工学版 )
[ 1, 3, 4, 6]
2005
箱函数广泛地运用在 神经 网络
对大坝观测数据进行分析的时候 , 运用神经网络建 立相对于传统数据 处理 方法 有更 高拟 合 精度 和预 报精度的变型模型 .
境, 该系统的基本数 据 结构 是矩 阵 , 在 生成 矩阵 对 象时 , 不需要 做明确 的维数说 明 . 与利用 C 语言 或 Fo r tr an 语言做数值计算的 程序 相比 , 利用 M a tla b
学计算系统 , 它提供了一个人机交互的数学系统环
可以节省大 量 的 编程 时 间 . M atla b 强大 的 扩 展 功 能为用户提供了强有力的支持 , 该系统提供的工具
第 3期
徐
晖等 : 基于 M atla b 的 BP 神经网络在大坝观测数据处理中的应用
3
N
函数 t rainbpx 采用了动量 法和学 习率 自 适应 调整 方法 , 从而使学习 时间 更 短 , 但对 于复 杂 的问 题这
T T
有效的优化算法 . 在 M atlab 的神经网络工具箱中 ,
策略 , t rainlm 使 用 了 Levenber g- Marqua rdt 优 化
文章编号 : 1671-8844( 2005) 03-050-04
基 于 M at l ab 的 B P 神 经 网 络 在 大 坝 观测数据处理中的应用
徐
( 武汉大学水利水电学院 , 湖北 武汉
晖 ,李
钢
430072)
摘要 : 建立大坝观测数据处理的 BP 人工神经网络模型, 用正交变 换法来初步 优化设计 大坝变 形分析 的模型 结
n n
- ti j ) . 对于不同的大坝
2
和
的因子数 , 输出层 节点 数 就是 变形 量的 数目 , 而一
测的 BP 网络中 , 输入层节点 数就 是影 响大坝 变形
2
值) ; O= ( o1 , o2 , …, on ) 是网络的每一次实际输出 .
T= ( t1 , t2 , …, tn ) 为网络的 输出目标 矢量 ( 实测
至初步收敛 ;
( 1) 先针对问 题选 取 一个 网络 结构 , 训练 网络
个数 . 而且网 络 模 型 的 训 练 参 数 的 确 定 带 有 经 验 性, 因此出现了不少 改 进的 算法 . 改 进 的途 径有 两 种, 一种是采用启发 式 学习 方法 , 另 一 种是 采用 更