神经网络优化模型在大坝变形预报中的应用研究

发布时间：2017-04-13 20:01

  本文关键词：神经网络优化模型在大坝变形预报中的应用研究，由笔耕文化传播整理发布。

【摘要】：大坝大多建造在水文、工程地质条件复杂环境中,且承受着巨大荷载的建筑物。对其进行实时监测,利用大量的变形实测资料,分析评估大坝安全状态,并做出合理预报是确保大坝安全的重要手段。同时,由于大坝受诸多类似水压力、扬压力、温度、时效以及许多不确定性因素的影响,且这些因素通常具有很强的随机性,相互间关系复杂,使得建立在各次观测相互独立、观测误差期望为零的条件下的传统数学模型无法用确切的定量关系式来描述这些因素与大坝位移量之间的关系。尤其当观测资料较少或含有较大观测噪声误差时,传统的变形分析模型具有一定局限性。因此研究融合多门学科知识与技术方法,建立合适的组合变形分析与预报模型成为分析大坝变形趋势与变形规律的重要课题。本文正是从该角度出发,引入神经网络理论、遗传算法、粒子群算法及改进的粒子群算法,研究融合了这些智能算法的神经网络优化模型的可行性,结合具体的大坝工程,对神经网络优化模型进行应用和比较。本文主要研究内容如下:1)研究了神经网络、遗传算法、粒子群算法的基本理论。神经网络算法在初始化时有很强的随机性、收敛速度慢、易陷入局部极小值,利用遗传算法和PSO算法对神经网络神经元之间的连接权值和阈值进行全局优化搜索,并对标准的PSO算法中的惯性权重进行了非线性改进。2)利用神经网络变量选择法计算输入模式中各影响因素的贡献率,据此判断影响因子的取舍,确定影响大坝变形的最终因子,对大坝位移监测数据和大坝的最终影响因子进行样本数据归一化处理。3)建立基于遗传算法、粒子群算法、改进粒子群算法优化的神经网络大坝变形预报模型。在MATLAB环境下,编制相应的建模分析程序,将该模型用于一些具有代表性大坝工程体的变形分析与预报,比较分析传统数学统计模型、BP模型、遗传算法优化BP网络模型、粒子群算法优化BP网络模型及改进的粒子群优化BP模型的预报结果,结果表明:改进的粒子群优化神经网络模型对大坝变形的预测精度较传统大坝变形预报模型、BP神经网络模型及遗传神经网络模型有较大提高。
【关键词】：遗传神经网络 粒子群神经网络 改进粒子群算法 变量选择 预测精度
【学位授予单位】：桂林理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TV698.11
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-14
• 1.1 研究的背景和意义9-11
• 1.2 大坝监测模型国内外研究现状11-12
• 1.3 本文研究的主要工作与结构安排12-14
• 1.3.1 本文主要研究的内容12-13
• 1.3.2 本文结构13-14
• 第2章 人工神经网络理论14-25
• 2.1 人工神经网络概述14-15
• 2.2 人工神经网络基本原理15-19
• 2.2.1 人工神经元的数学描述15-18
• 2.2.2 人工神经网络结构18
• 2.2.3 人工神经网络学习方式18-19
• 2.2.4 人工神经网络学习算法19
• 2.3 BP神经网络19-24
• 2.3.1 BP神经网络算法及实现20-22
• 2.3.2 BP神经网络的不足及改进22-24
• 2.4 本章小结24-25
• 第3章 传统大坝预报模型和BP神经网络优化模型25-46
• 3.1 传统大坝监测数学模拟方法25-26
• 3.1.1 统计模型25
• 3.1.2 确定性模型25-26
• 3.1.3 混合模型26
• 3.2 遗传算法的基本原理26-28
• 3.2.1 遗传算法基本概念26-27
• 3.2.2 遗传算法的实现27-28
• 3.3 基于遗传算法的BP神经网络28-32
• 3.3.1 遗传算法优化BP神经网络模型28-30
• 3.3.2 遗传算法优化BP神经网络可行性分析30-32
• 3.4 PSO算法基本理论32-36
• 3.4.1 PSO算法概述32-33
• 3.4.2 PSO算法的数学描述33-35
• 3.4.3 PSO算法的步骤流程35-36
• 3.5 PSO算法的几种改进模型36-40
• 3.5.1 PSO算法存在的局限性36-37
• 3.5.2 PSO算法的几种基本改进方法37-39
• 3.5.3 邻域非线性动态调整策略的粒子群算法39-40
• 3.6 基于改进PSO算法优的BP神经网络40-45
• 3.6.1 改进的PSO算法优化BP神经网络模型40-42
• 3.6.2 改进的PSO算法优化BP神经网络模型可行性分析42-45
• 3.7 本章小结45-46
• 第4章 神经网络优化算法在大坝变形预报中的应用46-54
• 4.1 工程概况46-47
• 4.2 大坝变形影响因子的选择及预处理47-50
• 4.2.1 大坝变形的影响因子47-48
• 4.2.2 大坝变形因子的筛选48-49
• 4.2.3 大坝变形因子的预处理49-50
• 4.3 IPSO_BP模型在大坝变形预报中的应用50-53
• 4.4 本章小结53-54
• 第5章 大坝安全监测模型的分析与评价54-60
• 5.1 BP神经网络与传统的大坝变形监测模型的比较54
• 5.2 神经网络优化模型的比较54-55
• 5.3 各种模型预报结果分析55-59
• 5.4 本章小结59-60
• 第6章 结论和展望60-62
• 6.1 主要工作和结论60
• 6.2 展望60-62
• 参考文献62-66
• 个人简历、申请学位期间的研究成果及发表学术论文66-67
• 致谢67

【相似文献】

中国期刊全文数据库 前10条

1 王凤琴,高颖,赵军;基于遗传算法的神经网络优化[J];燕山大学学报;2001年03期

2 苗君明,佟刚,杨者青;基于遗传算法的神经网络优化[J];沈阳航空工业学院学报;2005年03期

3 杜福银;徐扬;卢明立;程林章;;有转运运输问题的Hopfield神经网络优化方法[J];铁道学报;2006年02期

4 李影;徐涛;邢伟;;基于进化遗传算法的神经网络优化[J];长春理工大学学报;2006年03期

5 杨华芬;杨有;尚晋;;一种改进的进化神经网络优化设计方法[J];郑州大学学报(工学版);2010年05期

6 郑秀梅;罗宪;邓娟;;基于神经网络优化组合的供水预警机制[J];计算机与现代化;2011年04期

7 杜福银;徐扬;卢明立;程林章;;一种作业车间调度问题的Hopfield神经网络优化方法[J];机床与液压;2006年11期

8 黄洪钟,黄文培;系统可靠性的冗余分配及其神经网络优化方法研究[J];西南交通大学学报;1996年05期

9 彭斌;胡常安;赵荣珍;;基于混合杂草算法的神经网络优化策略[J];振动.测试与诊断;2013年04期

10 于万林;赵浩峰;邱奕婷;郑泽昌;林莹莹;张群;;利用神经网络优化铁基软磁材料热处理工艺研究[J];磁性材料及器件;2013年02期

中国重要会议论文全文数据库 前3条

1 胡云安;左斌;吴建刚;;利用退火回归神经网络优化极值搜索算法[A];2005年中国智能自动化会议论文集[C];2005年

2 李崇威;杨波;陈月辉;;并行TABU在神经网络优化中的研究与应用[A];2006年全国理论计算机科学学术年会论文集[C];2006年

3 张蕾;陈月辉;杨波;;基于并行PSO的神经网络优化算法的研究[A];2005年全国理论计算机科学学术年会论文集[C];2005年

中国硕士学位论文全文数据库 前10条

1 胡纪元;神经网络优化模型在大坝变形预报中的应用研究[D];桂林理工大学;2015年

2 郑秀梅;基于神经网络优化组合的供水预警机制[D];重庆交通大学;2011年

3 李雪;基于粒子群的粮食产量预测神经网络优化研究[D];浙江海洋学院;2014年

4 罗蓬;铸造过程数值模拟的神经网络优化技术研究[D];四川大学;2004年

5 廖伟芳;基于分布估计算法的BP神经网络优化设计[D];南京理工大学;2009年

6 谷芳春;神经网络优化理论研究及应用[D];燕山大学;2003年

7 孙明;基于改进PSO的神经网络优化方法及其在热工系统中的应用[D];华北电力大学（河北）;2008年

8 胡侨丹;基于神经网络优化的凸轮轴铸造知识基工程（KBE）系统研究[D];四川大学;2004年

9 于佳;基于神经网络优化算法的二阶系统解耦研究[D];哈尔滨工程大学;2012年

10 王耀东;基于改进粒子群算法的BP神经网络优化及应用[D];西安科技大学;2012年

  本文关键词：神经网络优化模型在大坝变形预报中的应用研究，，由笔耕文化传播整理发布。

本文编号：304333