基于GACO-BP-MC的大坝变形监控模型
发布时间：2021-06-25 23:42
建立相应的安全监控模型来分析大坝变形监测资料对保障大坝服役安全意义重大。BP神经网络模型在此方面得到了广泛应用,但采用蚁群算法（ACO）对BP神经网络参数寻优时存在因初期搜索完全随机导致收敛速度慢的问题。将具有快速随机的全局搜索能力的遗传算法（GA）引入蚁群算法中,利用遗传算法指导生成初始信息素分布,再由蚁群算法正反馈寻得最优解来训练BP神经网络,从而得到大坝变形预测值,2种算法优势互补,缩短了蚁群算法的搜索时间并避免陷入局部最优点。在此基础上,为进一步提高预测精度,采用马尔科夫链（MC）对预测结果进行改进,由此建立了应用于大坝变形监控的GACO-BP-MC模型。工程实例分析表明,该模型在参数优化方面具有较快的寻优速率,且具有较高的拟合和预报能力。
【文章来源】：长江科学院院报. 2019,36(07)北大核心CSCD
【文章页数】：7 页
【部分图文】：
GACO-BP-MC模型流程Fig．1FlowchartofGACO-BP-MCmodel2．5基于GACO-BP-MC的大坝变形监控模型输入和输出向量的确定
2种算法的模型的训练误差(归一化样本的实际输出值与期望输出值之间的均方误差)下降折线图。从图2中可看出，GACO-BP算法迭代训练的起始误差比基本ACO-BP算法的小;基本ACO-BP算法迭代次数为80次左右时才达到最终收敛误差，而GA-CO-BP算法在20次左右就已经达到，且最终收敛误差明显小于基本ACO-BP算法。上述结果说明用遗传算法来改进蚁群神经网络算法使其在时间效率和求解效率方面均有了一定程度的提高，通过遗传算法和蚁群算法的优势互补，不仅加快了算法逼近最优解的收敛速度，而且提高了最优解的精度。图2训练误差下降曲线对比Fig．2Comparisonoftrainingerrorcurves将上述最优解对应的权值组合作为BP神经网络的初始权值，进一步训练神经网络，得到的输出结果通过反归一化还原成大坝径向位移的拟合值。图3为GACO-BP模型和多元回归模型的拟合曲线，多元回归模型、GACO-BP模型的拟合均方根误差分别为0．602，0．078mm。由图3可以看出，GACO-BP模型拟合效果很好，多元回归模型相对差一些。图3模型拟合曲线Fig．3Fittingcurvesofmodels用上述GACO-BP模型训练好的神经网络进行预测，反归一化后可得到大坝径向位移的预测值。3．2MC模型修正残差根据马尔科夫链原理，将实测值与GACO-BP模型拟合值之间相对误差取值区间划分为4个状态，结果见表1，由此确定相对误差序列全部样本的状态。表1状态划分Table1Classificationofstates相对误差界限/%［－1，－0．4)［－0．4，0)［0，0．4)［0．4，1)状态编号S1S2S3S4利用马尔科夫链分析相对误差序列，可得到m?
而GA-CO-BP算法在20次左右就已经达到，且最终收敛误差明显小于基本ACO-BP算法。上述结果说明用遗传算法来改进蚁群神经网络算法使其在时间效率和求解效率方面均有了一定程度的提高，通过遗传算法和蚁群算法的优势互补，不仅加快了算法逼近最优解的收敛速度，而且提高了最优解的精度。图2训练误差下降曲线对比Fig．2Comparisonoftrainingerrorcurves将上述最优解对应的权值组合作为BP神经网络的初始权值，进一步训练神经网络，得到的输出结果通过反归一化还原成大坝径向位移的拟合值。图3为GACO-BP模型和多元回归模型的拟合曲线，多元回归模型、GACO-BP模型的拟合均方根误差分别为0．602，0．078mm。由图3可以看出，GACO-BP模型拟合效果很好，多元回归模型相对差一些。图3模型拟合曲线Fig．3Fittingcurvesofmodels用上述GACO-BP模型训练好的神经网络进行预测，反归一化后可得到大坝径向位移的预测值。3．2MC模型修正残差根据马尔科夫链原理，将实测值与GACO-BP模型拟合值之间相对误差取值区间划分为4个状态，结果见表1，由此确定相对误差序列全部样本的状态。表1状态划分Table1Classificationofstates相对误差界限/%［－1，－0．4)［－0．4，0)［0，0．4)［0．4，1)状态编号S1S2S3S4利用马尔科夫链分析相对误差序列，可得到m步(m=1，2，3，4)状态转移矩阵为:P(1)=0．1540．1540．3850．3080．0430．5590．3660．0320．0510．4230．4360．0900．2000．3330．4000．067;P(2)=0．0770．4620．3080．1540
本文编号：3250181
【文章来源】：长江科学院院报. 2019,36(07)北大核心CSCD
【文章页数】：7 页
【部分图文】：
GACO-BP-MC模型流程Fig．1FlowchartofGACO-BP-MCmodel2．5基于GACO-BP-MC的大坝变形监控模型输入和输出向量的确定
2种算法的模型的训练误差(归一化样本的实际输出值与期望输出值之间的均方误差)下降折线图。从图2中可看出，GACO-BP算法迭代训练的起始误差比基本ACO-BP算法的小;基本ACO-BP算法迭代次数为80次左右时才达到最终收敛误差，而GA-CO-BP算法在20次左右就已经达到，且最终收敛误差明显小于基本ACO-BP算法。上述结果说明用遗传算法来改进蚁群神经网络算法使其在时间效率和求解效率方面均有了一定程度的提高，通过遗传算法和蚁群算法的优势互补，不仅加快了算法逼近最优解的收敛速度，而且提高了最优解的精度。图2训练误差下降曲线对比Fig．2Comparisonoftrainingerrorcurves将上述最优解对应的权值组合作为BP神经网络的初始权值，进一步训练神经网络，得到的输出结果通过反归一化还原成大坝径向位移的拟合值。图3为GACO-BP模型和多元回归模型的拟合曲线，多元回归模型、GACO-BP模型的拟合均方根误差分别为0．602，0．078mm。由图3可以看出，GACO-BP模型拟合效果很好，多元回归模型相对差一些。图3模型拟合曲线Fig．3Fittingcurvesofmodels用上述GACO-BP模型训练好的神经网络进行预测，反归一化后可得到大坝径向位移的预测值。3．2MC模型修正残差根据马尔科夫链原理，将实测值与GACO-BP模型拟合值之间相对误差取值区间划分为4个状态，结果见表1，由此确定相对误差序列全部样本的状态。表1状态划分Table1Classificationofstates相对误差界限/%［－1，－0．4)［－0．4，0)［0，0．4)［0．4，1)状态编号S1S2S3S4利用马尔科夫链分析相对误差序列，可得到m?
而GA-CO-BP算法在20次左右就已经达到，且最终收敛误差明显小于基本ACO-BP算法。上述结果说明用遗传算法来改进蚁群神经网络算法使其在时间效率和求解效率方面均有了一定程度的提高，通过遗传算法和蚁群算法的优势互补，不仅加快了算法逼近最优解的收敛速度，而且提高了最优解的精度。图2训练误差下降曲线对比Fig．2Comparisonoftrainingerrorcurves将上述最优解对应的权值组合作为BP神经网络的初始权值，进一步训练神经网络，得到的输出结果通过反归一化还原成大坝径向位移的拟合值。图3为GACO-BP模型和多元回归模型的拟合曲线，多元回归模型、GACO-BP模型的拟合均方根误差分别为0．602，0．078mm。由图3可以看出，GACO-BP模型拟合效果很好，多元回归模型相对差一些。图3模型拟合曲线Fig．3Fittingcurvesofmodels用上述GACO-BP模型训练好的神经网络进行预测，反归一化后可得到大坝径向位移的预测值。3．2MC模型修正残差根据马尔科夫链原理，将实测值与GACO-BP模型拟合值之间相对误差取值区间划分为4个状态，结果见表1，由此确定相对误差序列全部样本的状态。表1状态划分Table1Classificationofstates相对误差界限/%［－1，－0．4)［－0．4，0)［0，0．4)［0．4，1)状态编号S1S2S3S4利用马尔科夫链分析相对误差序列，可得到m步(m=1，2，3，4)状态转移矩阵为:P(1)=0．1540．1540．3850．3080．0430．5590．3660．0320．0510．4230．4360．0900．2000．3330．4000．067;P(2)=0．0770．4620．3080．1540
本文编号：3250181
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3250181.html
