基于IPSO-BP神经网络的大坝变形预测
来源:用户上传
作者:
摘要：提出了一种基于改进粒子群算法的BP神经网络(IPSO-BP)模型来进行大坝变形预测。此模型融合粒子群优化算法的全局寻优和BP神经网络算法的局部搜索的优势，有效地防止了网络陷入局部极小值，同时又保证了预测结果的精确性。仿真实验结果表明：提出的IPSO-BP模型预测精度优于常规BP网络及其他预测方法，说明此预测方法有效可行。
关键词：大坝变形预测；粒子群优化算法；BP神经网络；IPSO-BP模型.
中图分类号：P258文献标识码： A
1 引言
建立有效实用的大坝变形监测模型，对于监控大坝的运行意义重大。近年来，用于大坝变形预测的方法很多，传统方法有：时间序列法、回归分析法等[1]；新的预测方法有：灰色预测法 [2-3]、BP神经网络及其融合模型[4-6]、支持向量机模型[7-8]等。但大坝变形是一个复杂的系统，受诸多外界因素的综合影响，且对大坝变形的作用机制很难用精确的数学语言来描述，从而导致了传统预测方法和灰色预测方法的精度不高。支持向量机方法因关键参数选取的困难性影响了其实用性。
2 基于IPSO-BP神经网络预测模型
2.1 PSO算法及算法改进PSO算法是由Kennedy[9]与Eberhart[10]受鸟群觅食行为的启发后于1995年提出来的，是基于群体智能理论的优化算法，通过鸟之间的集体协作使群体达到最优的过程，为更好地控制算法的开发和探索能力，之后Shi等[11]引入惯性权重形成了标准版本。标准PSO算法首先初始化为一组随机粒子(随机解)，然后通过跟踪当前最优的粒子来搜索最优解。
2.2 BP神经网络拓扑结构及算法原理BP神经网络是一种反向传播并修正误差的多层前馈映射网络，只要有足够的隐节点，可以实现任意Rn上[0，1]n到Rm的映射能力和自学习、自组织和适应能力[3]。本文的神经网络优化模型采用3层BP网络，即输入层、中间层(隐含层)和输出层。
3 基于IPSO-BP神经网络预测模型在大坝变形预测中的应用
3.1 数据准备 为检验预测效果，本文选用文献[5]中我国丹江口大坝某坝段的挠度观测资料作为分析对象，输入向量由大坝上下游水位差因子、、，时效因子和ln（为观测日至基准日的累积天数除以1000），温度因子、、、、(分别为当天、前五天、前10天、前30天、前60天当地平均气温)共10个因子组成。
3.2 预测结果 应用训练数据对网络进行训练，采用基于IPSO-BP网络预测模型对检测样本进行预测，并与文献的方法进行对比。
从预测结果可知，IPSO-BP模型的平均相对误差为3.20%，文献[5]中改进的BP模型的平均相对误差为5.20%，未改进BP模型的平均相对误差为6.98%；同时，IPSO-BP模型最大相对误差为5.4%，均小于其余两种模型的最大相对误差(8.1%，10.8%)。可见IPSO-BP预测精度高，可满足大坝变形预测要求。
4结论
IPSO算法能够较好地调整全局与局部搜索能力之间的平衡，将其应用于BP网络参数的优化，建立了IPSO-BP模型，实现了两者的优势互补，即利用了BP网络的非线性映射能力、网络推理及预测功能，又利用了IPSO的全局搜索能力，因而在处理相关问题时具有明显优势。将优化后BP网络应用于大坝变形预测，仿真结果表明，此预测方法有效且可行。
参考文献
[1] 毛合钢,王南虹.大坝变形监测的预报方法[J].大众科技,2008, (6):75-77．
[2] 王利,张双成,李亚红.动态灰色模型在大坝变形监测及预报中的应用研究[J].西安科技大学学报,2005, 25(3):328-332．
[3] 王剑涛,陈建康,陈立成等.多变量灰色模型在大坝变形预测中的应用[J].四川水利发电,2008, 27(6):80-82．
[4] 徐晖,李钢.基于Matlab的BP神经网络在大坝观测数据处理中的应用[J].武汉大学学报(工学版),2005,38(3):50-53.
[5] 秦真珍,杨帆,黄胜林等.基于GA-BP算法的大坝边坡变形预测模型[J].测绘工程,2010,19(1):13-16．
[6] 闫滨,周晶,高真伟.基于遗传单纯神经网络的大坝变形监控模型[J].水利发电学报, 2007,26(4):110-114．
[7] 宋志宇,李俊杰.最小二乘支持向量机在大坝变形预测中的应用[J].水能源科学,2006,24(6):49-52．
[8] 李潇,徐进军.动态稳健支持向量机在大把变形预测中的应用[J].大地测量与地球动力学, 2009,29(2):118-120.
[9] Eberhart, R.C., Kennedy,J. A new optimizer using Particle Swarm Theory[C]. Proceeding of the sixth International symposium on micromachine and human science. Piscataway: IEEE Service Center, 1995.
[10] Kennedy, J.,Eberhart, R.C. Particle swarm optimization[C]. Proceedings of IEEE International Conference on Neural Networks. Piscataway, NJ: IEEE Presss, 1995.
[11] Shi Y, Eberhart R. A modified particle swarm optimization[C].Proceedings of the IEEE Congress on Evolutionary Computation. Piscataway, NJ: IEEE Presss, 1998.
转载注明来源:https://www.xzbu.com/2/view-565149.htm
