基于模糊神经网络的边坡稳定性评价方法

发布时间：2016-07-06 18:07

本文关键词：基于模糊神经网络的边坡稳定性评价方法，由笔耕文化传播整理发布。

当前位置：文档库 > 基于模糊神经网络的边坡稳定性评价方法_周宁

基于模糊神经网络的边坡稳定性评价方法_周宁

2009年增刊2　　　　　　　　　　　　周　宁,等:基于模糊神经网络的边坡稳定性评价方法

1827

边坡稳定性评价方法,模型通过对输入知识的预处理和输出知识的后处理,将模糊逻辑推理溶入神经网络的非线性计算中,通过神经网络实现模糊评价,将模糊规则隐含分布于神经网络中,实现了模糊映射算法,将模糊理论与神经网络有机的结合起来,拓宽了模糊理论和神经网络应用的范围和能力,极大地提高了模型的分析评价能力

[3]

模糊权系数或者输入信号是模糊量的神经网络。目前,模糊神经网络的结构主要有三种形式:(1)算术模糊神经网络;(2)逻辑模糊神经网络;(3)混合模糊神经网络。算术模糊神经网络又包括三种基本类型:FNN1,FNN2,FNN3,其具体意

[5]

义如表1所示。针对边坡稳定性评价的具体情况,本文采用FNN2型算术模糊神经网络结构进行建模分析。

[4]

。

2　模糊神经网络构架

就现有研究状况而言,模糊神经网络是指具有

表1　模糊神经网络类型及运算规则

Table1　Basictypeandalgorithmoffuzzyneuralnetwork

类型I

名称

(FNN1)权系数为模糊量,

(FNN2)权系数为实数,

(FNN3)权系数和输入

类型II(HNN)逻辑运算代替S型函数

类型III(HFNN)FNN基础上用逻辑运算代替S型函数

运算规则

输入信号为实数输入信号为模糊量信号均为模糊量

2.1　FNN2型BP模糊神经网络模型

网络模型为一个多输入单输出的5层模糊神

经网络,其实现模糊推理过程的拓朴结构如图1所示。网络主要由输入层、模糊化层、非线性映射层、结果层、反模糊化层五部分组成,样本在输入层作模糊化处理转化为模糊向量,神经网络对模糊向量实现模糊非线性映射功能,在结果层作反模糊化处理将结果模糊向量转化为系统的评价结果输出

基于模糊神经网络的边坡稳定性评价方法_周宁

。

输入知识模糊化的目的是将无法用明确隶属关系表达的量化值在一定的模糊规则下,在数据空间中重新进行划分,以得到更加贴近实际的数据表

[6]

达形式。模糊化主要通过隶属度函数实现。输入知识分为两类,即数字变量描述的定量数据和语言变量描述的定性数据。根据确定隶属度函数基本原则,经试算分析,本文对定量数据的模糊化采用岭形分布函数:

(1)降岭形分布

(x≤a)

11πa+bμ(xs(x)(a<x≤b)22b-a2

(x>b)

(1)

(x≤a)

πa+bμ(x11s(x)(a<x≤b)

22b-a2

(x>b)

(2)

(3)岭形分布

(x≤a)

(2)升岭形分布

图1　模糊神经网络算法结构

Fig.1　Algorithmstructureoffuzzyneuralnetwork

图中,m、n分别表示输入单元和隐单元个数,x个评价指标的量化值,r1,x2,…,xm为m1,r2,…,rm为评价指标经隶属度函数量化后的隶属度向量,隶属度向量为五维形式,记作:rrm=(m1,rm2,rm3,r,W,Wm4,rm5)ijjk分别表示输入层到隐层、隐层到结果层的连接权值,y'为样本x1,x2,…,xm的网络输出,y为输出y'反模糊化后的最终结果。2s(x)(a<xc)　　0

Word文档免费下载： 基于模糊神经网络的边坡稳定性评价方法_周宁（共7页）