（岩土工程专业论文）基坑水平位移预测的神经网络优化研究.pdf

广西大学学位论文原创性声明和使用授权说明 原创性声明 f i l u l lifllriiiflr l l f lrrlljllifflliiiifflp l l l fy 17 3 8 8 9 9 本人声明：所呈交的学位论文是在导师指导下完成的，研究工作所取得的 成果和相关知识产权属广西大学所有，本人保证不以其它单位为第一署名单位 发表或使用本论文的研究内容。除已注明部分外，论文中不包含其他人已经发 表过的研究成果，也不包含本人为获得其它学位而使用过的内容。对本文的研 究工作提供过重要帮助的个人和集体，均已在论文中明确说明并致谢。 论文作者签名：羞釜 加p 夕年，2 月7 口日 学位论文使用授权说明 本人完全了解广西大学关于收集、保存、使用学位论文的规定，即： 按照学校要求提交学位论文的印刷本和电子版本： 学校有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 学校可以采用影印、缩印、数字化或其它复制手段保存论文； 在不以赢利为目的的前提下，学校可以公布论文的部分或全部内容。 请选择发布时间： 囹即时发布口解密后发布 ( 保密论文需注明，并在解密后遵守此规定) 论文作者签名：委生 新躲许珏冲肛月弘日 嚏，咯盎 童 ! 基坑水平位移预测的神经网络优化研究 摘要 近年来，随着高层结构、大跨度结构的发展，基坑工程越来越复杂， 基坑工程的安全施工成为工程建设中面临的重大问题。根据深基坑的位移 监测数据，建立基坑水平位移的预测系统，及时将预测结果反馈给施工、 设计单位，有利于及时调整施工方案、优化设计，减少基坑施工的安全隐 患，对基坑工程建设具有重要的工程意义。 本文主要通过神经网络的优化研究，来建立基坑水平位移的预测系统。 本文主要从以下几个方面进行了探讨： 首先在阐述神经网络一般原理的基础上，研究了在基坑变形预测中影 响神经网络模型精度的主要因素。在此基础上，用自编的“变神经元程 序，分别对b p 神经网络和r b f 神经网络从网络结构和训练方法两个方面 进行了网络优化研究，并将网络优化研究成果应用到南宁某基坑的水平位 移预测系统建立中。最后以南宁某基坑的8 # n 点为例，较详细地论述了建 立基坑水平位移预测模型的步骤和实现方法，分别采用优化的b p 神经网络 和r b f 神经网络对该基坑的水平位移进行了预测，并将预测结果与监测位 移进行了对比分析。 通过本文研究，主要得到以下结论： 采用b p 神经网络建立基坑水平位移预测模型时，其训练函数的选取、 神经元个数的选取以及输入输出向量的确定，对网络的预测结果有直接影 响。l m 训练法是最优的训练方法。 采用变神经元程序，可以快速确定b p 网络的中间层的神经元个数以及 最优的网络结构，是一种值得推广应用的方法。 b p 神经网络建模中影响模型预测精度的主要是中间层神经元的选取和 训练方法的选取，r b f 神经网络则为分布密度s p r e a d 的选取，分布密度 s p i 迮a d 选取越小，其精度越高。一般选为o 1 1 0 。 b p 神经网络和r b f 神经网络都适合预测基坑的变形，比较结果表明， r b f 神经网络训练时间明显减少，训练的精度也更高，其预测的结果比b p 神经网络预测结果更好，是一种更适合预测基坑变形的方法。 关键词：基坑神经网络网络优化训练法水平位移预测 噜i i 、l ； j 。 ， r e s e a r c ho nh o ri z o n t a id is p i a c e m e n tp r e d i c t i o n o ff o u n d a tio np itb a s e do nn e u r ain e t w o r ko p tim iz a tio n a b s t r a c t i nr e c e n ty e a r s ，、v i mt h eh i g h - r i s es t r u c t u r e s ，l a r g e s p a ns t r u c t u r e ，t h ed e v e l o p m e n to f m o r ec o m p l e xe x c a v a t i o no ff o u n d a t i o ne n g i n e e r i n gc o n s t r u c t i o ns a f e t yi n t oc o n s t r u c t i o n p r o j e c t sf a c em a j o rp r o b l e m s a c c o r d i n gt ot h ed i s p l a c e m e n to fd e e pe x c a v a t i o nm o n i t o r i n g d a t a , e s t a b l i s ht h eh o r i z o n t a ld i s p l a c e m e n to ff o u n d a t i o np i tf o r e c a s t i n gs y s t e m ，t i m e l y f e e d b a c kt o t h e p r e d i c t i o no fc o n s t r u c t i o n , d e s i g nu n i t s ，f o rp r o m p t l ya d j u s t i n gt h e c o n s t r u c t i o np r o g r a mt oo p t i m i z et h ed e s i g n , r e d u c es e c u r i t yr i s k sp i tc o n s t r u c t i o n ，h a sa n i m p o r t a n ts i g n i f i c a n c e i nt h i sp a p e r , o p t i m i z a t i o no fn e u r a ln e t w o r kr e s e 剐r c h ，t oe s t a b l i s haf o u n d a t i o np i t h o r i z o n t a ld i s p l a c e m e n tp r e d i c t i o ns y s t e m t h i sp a p e rm a i n l yd i s c u s s e dt h ef o l l o w i n ga s p e c t s ： f i r s td e s c r i b e dt h e g e n e r a lp r i n c i p l e s o fn e u r a ln e t w o r k sb a s e do nt h es t u d yo f d e f o r m a t i o ni nt h ep i tt h a ta f f e c tt h ep r e d i c t i o na c c u r a c yo fn e u r a ln e t w o r km o d e lo ft h em a i n f a c t o r s o nt h i sb a s i s ，w i mc o m p o s i n ga ”c h a n g en e u r o n s ”p r o c e d u r e s ，r e s p e c t i v e l y , o ft h eb p n e u r a ln e t w o r ka n dr b fn e u r a ln e t w o r kf r o mt h en e t w o r ks t r u c t u r ea n dt r a i n i n gm e t h o d so f t w oa s p e c t so fn e t w o r ko p t i m i z a t i o na n dn e t w o r ko p t i m i z a t i o na p p l i c a t i o no fr e s e a r c hr e s u l t s t oac e r t a i nn a n n i n ge x c a v a t i o no ft h eh o r i z o n t a ld i s p l a c e m e n tp r e d i c t i o ns y s t e ms e t u p f i n a l l y , 8 群ap i tm e a s u r i n gp o i n to fn a n n i n g ，f o re x a m p l e ，m o r ed e t a i lo nt h ec r e a t i o no f p r e d i c t i v e m o d e l s o fh o r i z o n t a l d i s p l a c e m e n t o f f o u n d a t i o n p i t o ft h e s t e p s a n d i m p l e m e n t a t i o nm e t h o d s ，r e s p e c t i v e l yo p t i m i z e db pn e u r a ln e t w o r ka n dr b f n e u r a ln e t w o r k o ft h eh o r i z o n t a ld i s p l a c e m e n to ft h ef o u n d a t i o np i tw e r ep r e d i c t e d ，a n df o r e c a s tr e s u l t sa n d m o n i t o r i n go fd i s p l a c e m e n tc o m p a r e da n da n a l y z e d t h r o u g ht h i ss t u d y , m a i n l ys u p p o r t e db yt h ef o l l o w i n gc o n c l u s i o n s ： u s i n gb p n e u r a ln e t w o r k sp r e d i c t i o nm o d e lo fh o r i z o n t a ld i s p l a c e m e n to ff o u n d a t i o np i t ， i t sg a i n i n gf u n c t i o n 。s e l e c t i o n ，s e l e c t i o no ft h en u m b e ro fn e u r o n sa sw e l l 聃t h ed e t e r m i n a t i o n 1 1 1 吨i3 。 i ， ， o f i n p u ta n do u t p u tv e c t o r s ，t h en e t w o r kh a sa d i r e c ti m p a c tp r e d i c t e d l mt r a i n i n gm e t h o di s t h eb e s tt r a i n i n gm e t h o d s i te m p l o y sv a r i a b l en e u r o np r o g r a m ，y o uc a l lq u i c k l yd e t e r m i n et h em i d d l el a y e rb p n e t w o r k , t h en u m b e ro fn e u r o n sa sw e l la st h eo p t i m a ln e t w o r ks t r u c t u r e ，i sa w o r t h yo f p o p u l a r i z a t i o na n da p p l i c a t i o nm e t h o d s s t u d i e sh a v es h o w nt h a t ，b pn e u r a ln e t w o r km o d e lt h a ta f f e c tt h ea c c u r a c yo fm o d e l p r o j e c t i o n sa l em a i n l ym i d d l el a y e rn e u r o n s ，t h es e l e c t i o na n dt r a i n i n gm e t h o d so fs e l e c t i o n ， r b fn e u r a ln e t w o r k ，c o m p a r e dw i t ht h es e l e c t i o no fd i s t r i b u t i o nd e n s i t ys p r e a d ，s p r e a d s e l e c tt h es m a l l e rt h ed e n s i t y , t h eh i g h e ra c c u r a c y u s u a l l yc h o s e na s0 1 10 b pn e u r a ln e t w o r ka n dr b fn e u r a ln e t w o r k sa l e s u i t e dt op r e d i c tt h ed e f o r m a t i o no f f o u n d a t i o np i t ，c o m p a r er e s u l t ss h o w e dt h a t ，r b fn e u r a ln e t w o r kt r a i n i n gt i m es i g n i f i c a n t l y r e d u c e d ，t h et r a i n i n ga c c u r a c yi sa l s oh i g h e rt h a nt h er e s u l t so ft h e i rf o r e c a s t sp r e d i c t e db e t t e r b pn e u r a ln e t w o r ki sak i n db e t t e rs u i t e dt op r e d i c td e f o r m a t i o no f f o u n d a t i o np i t k e yw o r d s ：f o u n d a t i o np i t ，n e u r a ln e t w o r k ，n e t w o r ko p t i m i z a t i o n ， t r a i n i n gm e t h o d ，h o r i z o n t a ld i s p l a c e m e n t ，p r e d i c t i o n i v 逸；l 目录 摘要i a b s t r a c t 第一章绪论1 1 1 深基坑研究的发展现状1 1 2 基坑和边坡变形预测的智能算法研究现状3 1 3 本课题的主要工作5 1 3 1 本课题的确立及主要意义5 1 3 2 本课题的主要内容及技术路线6 第二章基坑变形预测的b p 神经网络优化研究口目嘲8 2 1 概述8 2 2m a t l a b 简介8 2 3 基坑变形预测神经网络模型构成8 2 4b p 神经网络的参数选择9 2 4 1b p 网络创建函数9 2 4 2 神经元上的传递函数1 0 2 4 3b p 网络学习函数1 1 2 4 4b p 网络训练方法1 2 2 5 基坑水平位移预测b p 神经网络模型网络结构优化研究1 5 2 5 1 基坑变形b p 神经网络预测模型的前期数据处理分析1 5 2 5 2 数据的归一化处理1 7 2 5 3b p 神经网络基坑变形预测模型的网络结构优化研究1 8 2 6b p 神经网络的训练方法的优化研究1 9 2 6 1l - m 训练优化法2 1 2 6 2 梯度下降法( t r a i n g d ) 2 3 2 6 3 梯度下降动量法( t r a i n g d m ) 2 4 2 6 4 有自适应的梯度下降法( t r a i n g d a ) 2 4 2 6 5 有动量加自适应l r 梯度下降法( t r a i n g d x ) 2 5 v 峨；，i谚 耋 。； 。 j 2 6 6 准牛顿算法( t r a i n b f 6 ) 2 6 2 6 7 几种训练方法的优化比较2 6 第三章基坑变形预测的r b f 神经网络优化研究呻r 嘲2 9 3 1 径向基神经网络( r b f ) 的基本实现步骤2 9 3 1 1 径向基函数m a t l a b 实现步骤2 9 3 2r b f 神经网络模型网络优化研究2 9 3 2 1 网络结构的确定2 9 3 2 2r b f 网络训练结果3 0 3 2 3 基坑变形预测的r b f 网络优化研究3 1 3 3b p 网络和r b f 的比较3 5 第四章南宁某基坑水平位移的神经网络预测系统研究3 7 4 1 概述3 7 4 2 场地工程地质条件3 7 4 2 1 自然地理：3 8 4 2 2 区域地质概况3 8 4 2 3 地形地貌及周边环境3 8 4 2 4 场地土层分布特征3 9 4 3 基坑监测数据的处理分析4 1 4 3 1 基坑的监测数据的前期处理和网络模型分析4 2 4 3 2 基坑水平位移预测系统输入向量和输出向量的确定方法4 4 4 4 基坑水平位移预测的b p 神经网络模型结构优化方法4 6 4 4 径向基( r b f ) 神经网络的实现5 1 4 4 1 数据的前期处理5 1 4 4 2r b f 网络结构的确定5 1 4 4 3r b f 神经网络的m a t l a b 实现5 1 第五章结论与建议5 3 5 1 主要结论5 3 5 2 有待进一步研究的问题5 3 参考文 致谢 攻读学 v u 1 - 西大掌硕士掌位论文 蓉坑水平位移预测的神经网络优化研究 第一章绪论 1 1 深基坑研究的发展现状 随着经济的飞速发展，城市的可利用空间越来越少，这对基坑工程提出了又一个挑 战。基坑工程研究的主要问题有：强度、变形、稳定性和渗流等。研究基坑工程的这些 问题主要是要保证基坑支护结构或基坑本身不发生破坏，保证基坑的安全性。 杨光华f l 】提出了考虑施工过程的增量计算法、合理确定支护结构入土深度的计算 法、支撑加预应力及支撑拆除的计算方法等，并应用提出的增量法，首次较完整地对国 际上著名的支护土压力 r e r z a g h i p e c k 表观土压力给出了理论解释，对岩土的变形模量提 出采用承载力反算的经验方法，为岩土参数的确定提供了更简便的方法。 丁翠红1 2 1 对基坑支护结构计算中面对的土压力问题进行了探讨，指出经典的土压力 理论存在缺陷，现行所总结的土压力理论需要进一步完善，并指出用有限元来求解土压 力问题的重要性。 陈灿寿【3 1 通过现场量测的深基坑围护结构变形信息资料，结合参数优化反分析及弹 性地基梁有限元计算，建立了深基坑开挖中支护结构变形计算的预报方法。在开挖过程 中，利用变形监测信息，优化反分析得出土体和支护结构的力学参数，再利用这些参数 预报支护结构在下一工况的变形。该方法可对深基坑开挖的安全性作出评估，指导工程 施工。 杨小礼【4 】在上限定理的基础上，根据非线性破坏准则，对墙后填土建立机动容许的 速度场，运用流动法则以及速度边界条件求解被动土压力的上限解。首先通过“切线法 引进变量，然后对墙后填土建立三种含有变量的速度场，求出被动土压力的目标函数与 约束条件，最后根据“序列二次规划算法”对该问题进行优化。数值结果表明：非线性 参数对被动土压力有重要影响。 邬启昌【5 1 从地下水与土体的相互作用机理出发，结合有效应力原理，通过建立考虑渗 流作用的有效应力法模型和不考虑渗流作用的总应力法模型，按考虑渗流和不考虑渗流 两种情况下支护桩的位移、桩身弯矩和支撑轴力进行对比分析，对桩与地下水的相互影 响关系有一定借鉴作用。 李存法【6 1 介绍了用于地下水渗流问题的一种显式有限元数值分析方法，它节省计算 机空间与时问，程序简单，操作简便，成果可靠。在武汉建银大厦深基坑降水工程优化设 计与地下水实时控制问题中的工程中进行了应用。研究成果为研究地下水渗流问题提供 l 广西大掌硕士掌位论文基坑水平位移预测的神经网络优化研究 了一种有效的方法。 冉龙1 7 】指出在地下水丰富的砂土和粉土地区进行深基坑开挖，坑内降水施工或渗漏 引起的渗透破坏问题是威胁基坑稳定性和周围环境的主要因素。通过模型试验结合数值 模拟，研究了土体密实度、黏聚力、内摩擦角、桩土界面摩擦特性以及围护结构插入深 度等因素对临界水力梯度以及渗透破坏模式的影响。研究表明，发生渗透破坏时的水力 坡降不仅与土的密实度有关，还与土性、强度指标、桩表面粗糙度以及围护结构的插入 深度等因素有关，这些结论为实际基坑工程分析提供了指导。 江学良【8 】指出了传统方法评价基坑稳定性的不足，并将可靠性分析引入到基坑工程 设计中，较系统的论述了基坑可靠性分析的各实施步骤。 任志国【9 】利用编制的有限元计算程序，结合工程实例分析研究了地下连续墙厚度对 支护结构位移及内力的影响规律，对基坑开挖的设计及施工具有指导意义。 张尚根【1 0 1 提出了一种基坑支护结构内力及变形动态分析的弹性地基梁有限元计算 方法，并结合一个工程实例，分析了基坑开挖过程支护结构体系内力及变形的变化过程， 计算表明，该方法与传统方法相比，更符合工程实际。 杨林德【l l l 通过将现场信息采集、优化反演参数及围护结构变形和稳定分析有机地进 行结合，对基坑支护位移和安全性监测建立了动态预报技术，包括提出了分析理论和方 法。其基本过程是：第一步，采集现场量测信息；第二步，借助优化反演过程获得计算 参数；第三步，用反演计算得到的参数预测下一步开挖的位移量及稳定性。这一方法可 在基坑开挖过程中，依据现场量测信息，对基坑开挖的安全性及时作出预测和评估，从 而指导施工。 顾晓鲁介绍了几种支护体系( 天然土坡、拌和桩重力式挡墙、悬臂板桩墙、单 支撑( 锚) 、多支撑( 锚) 、土钉墙) 可能的失稳形式，及其各种失稳形式计算方法。还 介绍了工程中实用的估算基坑周围地面变形的方法。 杨雪强【1 3 1 借助于坑壁土体的三维破坏模式，基于土的塑性上限理论及极限平衡分析 理论，探讨了两坑壁端部对坑壁支护结构上土压力的整体屏蔽作用，提出了考虑空间效 应的土压力计算公式。该计算公式可用于基坑护坡桩、地下连续墙等支护系统的设计。 俞建霖【1 4 1 用三维空间有限单元法研究了基坑开挖过程中围护结构变形、土压力的空 间分布及基坑的几何尺寸效应，并与按二维平面问题分析的结果进行了比较。通过对杭 州市某基坑工程的实例分析，验证了对基坑工程进行三维分析的必要性以及计算模式的 合理性。 2 t 广西大掌硕士掌位论文基坑水平位移预- ：；l j a 9 - 9 1 , 经网络优化研究 1 2 基坑和边坡变形预测的智能算法研究现状 在深基坑开挖过程中，基坑的变形是控制基坑工程质量与安全问题的一个主要因 素。基坑变形预测就是利用监测资料来预测后期的情况。目前变形预测的方法可分为理 论计算法和基于实测数据的实测数据分析法。 人工智能在预测方面得到广泛的应用。吴益平等【1 5 】运用响应成分模型将滑坡位移量 分解成具有确定性的趋势项和具有不确定性的随机项，具有较好的指导意义。刘先珊i l 6 j 提出了基于模拟退火交替迭代算法神经网络的边坡安全系数预测方法，并取得了较好的 研究成果。刘晓等【1 7 1 使用零均值化和标准偏差预处理方法，以及规则化能量函数法和贝 叶斯规则化方法进行b p 神经网络建模，利用b p 网络对边坡位移非稳定时序进行趋势 项提取，让非平稳监测时序转化为平稳时序以进行常规a r m a 时序分析。结合滚动预 测方法，建立了适合岩土体位移预测的神经网络时间序列分析联合模型。熊建秋等i l s j 提出了基于概率神经网络的边坡岩体稳定性预测方法，并采用一种新的有效随机全局优 化技术一免疫进化算法对高斯型函数的标准偏差进行了参数优化。赵静波等1 1 9 j 提出以控 制因素变化的阶段性来划分时间数据序列，建立阶段时间序列灰色预测模型。 支持向量机、数据挖掘、混沌算法等新方法应用在边坡稳定、基坑变形预测方面， 取得了很好的预测效果。如赵洪波等【2 0 】将进化支持向量机方法用于边坡变形规律的研 究，用遗传算法搜素支持向量机最优参数，避免了认为选择支持向量机参数的盲目性， 提高了支持向量机推广预测能力。谢全敏等【2 1 l 提出了岩体边坡稳定性的可聚类预测方 法。利用岩体边坡稳定性等级和影响因子，构造经典域物元和节域物元，应用物元和可 拓集合中的关联函数，建立了岩体边坡稳定性等级聚类预测的简单模型，通过聚类分析， 得到了岩体边坡稳定性的预测结果。张治强等f 2 2 】提出了一种预测岩土边坡稳定性的方 法。利用数据挖掘的方法从边坡实测数据中挖掘出知识，在此基础上建立岩制边坡稳定 性预测的智能模型系统。周创兵等【2 3 1 根据位移时间序列的非线性性质，应用基于相空间 重构的实时预测方法进行预测。 由于目前采用的神经网络模型形式各异，如何确定神经网络模型，建立网络结构是 当前岩土界讨论的最多的一个问题。b p 神经网络的最原始的训练方法是基于梯度下降 法进行的。这种方法的一个缺点是：训练速度慢且训练过程中极易陷入局部极小值，导 致网络不收敛，或收敛后模拟的误差较大。这主要是由于梯度下降法本身所存在的缺陷 所决定的。为了克服梯度下降法的缺点，学者们陆续的提出了新的算法：l - m 训练法， 3 广西大掌司旺e 掌位论文 a 坑水平位移预测的神经网络优化研究 牛顿法，自适应梯度下降法，动量法，动量法加适应l r 法等等。 影响神经网络模型预测结果的还有一个影响因素：即网络结构的选取。在这里，网 络结构的选取主要是指隐含层的结构单元数的选取。它的确定主要是和网络本身有关， 也就是说，网络模型的建立需要输入向量，中间层向量，和输出层向量。其中，中间层 向量，就是隐含层向量，它的维数和输入向量和输出向量有关。一般来说，总有一个最 合适的隐含层单元个数使得网络的结构最优，使得模拟的结果误差最小。但是，除了这 个最优的神经元个数以外，较少的神经元个数将导致网络训练不足，较多的神经元个数 导致网络训练过度，都将影响网络的预测结果。 很多计算机学者，从不同角度对于神经网络的优化问题进行了探讨。 扶名福等1 2 4 】提出改进的循环自构形算法，引入随机度概念，在确定网络结构神经元 的时候，不需要估计网络中隐层节点数目，而是通过训练一个具有较多隐层节点数的网 络，利用数理统计的方法，引入隐层神经元之间的相关系数和分散度的概念，考察隐层 节点输出之间的相关性，完成对隐层节的删除和合并操作，以达到精简网络结构的目的。 李鸿儒等【2 5 】根据代数方程理论，通过权值和阈值与隐层结构的关系，建立了以权值 和阈值为设计变量的目标函数表达式。通过分析，提出了多层前向神经网络合理的隐层 层数和每个隐层神经元个数的一般确定方法，给出了确定多层前向神经网络合理结构的 优化目标函数及其约束条件。仿真研究结果表明所提出方法确定的多层前向神经网络结 构是合理的。 乔新勇等【2 6 】针对采用人工神经网络进行设备状态检测时的结构优化问题进行研究， 提出由特征压缩层和检测层组成串联网络的方法建立神经网络检测模型。 陆强华刚以优化方法不断修正求解可靠性指标，并通过算例体现了算法的精度。 夏红霞等【2 8 】针对神经网络存在的网络冗余性较大的问题，提出一种基于粗糙集的神 经网络优化方法。该方法将粗糙集理论和神经网络有机地结合在一起，利用粗糙集理论 在知识获取方面具有智能的特点，对神经网络的数据进行预处理，从大量的原始数据中 提取精简的规则，从而确定神经网络中的神经元个数，简化神经网络的拓扑结构，提高 系统的速度。最后通过仿真研究表明该方法能有效地改善神经网络训练时间较长的缺 点。 乔建飞等 2 9 1 基于聚类思想提出了一种自组织模糊神经网络算法，该算法能够基于输 入输出数据自动调整网络结构和参数，进而实现模糊规则的自动生成和调整。 李祥飞等【3 0 】基于混沌变量，提出一种关于模糊神经网络结构的优化设计方法。将混 广西大学硕士掌位论文a 坑水平位移预测的神经网络优喇，开究 沌变量引入模糊神经网络结构和参数的优化搜索中，使得模糊神经网络的规则数以及所 有参数都处于混沌状态中，根据性能指标来寻找一个较优的网络。在线优化采用最小二乘 法对去模糊化部分的权参数进行实时修正。 胡迎春等1 3 l 】建立了神经网络系统能量函数与优化问题目标函数之间的对应关系、神 经网络演化过程与优化问题寻优过程之间的对应关系、神经网络系统到达平衡点与优化 问题最优解之间的对应关系。采用改进的惩罚算子以提高神经网络的收敛速度。刘耦耕 等【3 2 】指出由多层f n n 的b p 算法误差函数构成的非线性方程组的独立方程个数和f n n 的待求未知变量的个数应该相等，该方程组才能有唯一组解。由此导出网络结构方程式， 进而导出隐层层数判别式和每层神经元个数判别式。 神经网络优化主要是确定优化神经网络结构。而确定网络结构，最重要的是确定隐 含层的神经单元个数。但是在基坑的变形预测中，对网络结构选择的研究很少，普遍靠 经验或者采用反复实验等比较原始的方法。如何快速优化网络结构、确定最优的神经元 个数，对于快速、准确的进行基坑变形预测很有意义。河海大学的陈艳国 3 3 1 提出了用 自动搜索的方法来确定最优神经元的思想，但没有具体实施。葛哲学【3 4 】也提出了将神 经元做为一个变量的思想。将神经元作为变量通过自动搜索确定最优神经元的方法可以 称为变神经元神经网络。利用变神经元的思想快速优化网络函数和网络结构，快速、准 确的进行基坑变形预测是一个值得深入研究的问题。 1 3 本课题的主要工作 1 3 1 本课题的确立及主要意义 神经网络优化主要是确定优化神经网络结构。而确定网络结构，最重要的是确定隐 含层的神经单元个数。但是在基坑的变形预测中，对网络结构选择的研究很少，普遍靠 经验或者采用反复实验等比较原始的方法。如何快速优化网络结构、确定最优的神经元 个数，对于快速、准确的进行基坑变形预测很有意义。 随着高层结构、大跨度结构的发展，基坑工程越来越复杂，基坑工程的安全施工成 为工程建设中面临的重大问题。根据深基坑的位移监测数据，建立基坑水平位移的预测 系统，及时将预测结果反馈给施工、设计单位，有利于及时调整施工方案、优化设计， 减少基坑施工的安全隐患，很有实际工程意义。在基坑的变形预测研究中，采用快速、 准确的神经网络方法进行预测是一个值得深入研究的问题。本文将变神经元网络的思想 应用到基坑变形预测中，探讨快速优化网络函数和网络结构的方法，并将该法应用到基 5 广西大学硕士掌位论文i 坑：扣平位移氟涮的神经网络优化研究 坑变形预测中，该研究将对快速准确地进行基坑预测有一定的借鉴作用。 1 3 2 本课题的主要内容及技术路线 本文所做的工作：首先在阐述神经网络一般原理的基础上，研究了在基坑变形预测 中影响神经网络模型精度的主要因素。在此基础上，用自编的“变神经元 程序，分别 对b p 神经网络和r b f 神经网络从网络结构和训练方法两个方面进行了网络优化研究， 并将网络优化研究成果应用到南宁某基坑的水平位移预测系统建立中。最后以南宁某基 坑的8 # 测点为例，较详细地论述了建立基坑水平位移预测模型的步骤和实现方法，分别 采用优化的b p 神经网络和r b f 神经网络对该基坑的水平位移进行了预测，并将预测结 果与监测位移进行了对比分析。 本文的技术路线：首先在阐述神经网络一般原理的基础上，研究了在基坑变形预测 中影响神经网络模型精度的主要因素。在此基础上，用自编的“变神经元 程序，分别 对b p 神经网络和r b f 神经网络从网络结构和训练方法两个方面进行了网络优化研究， 并将网络优化研究成果应用到南宁某基坑的水平位移预测系统建立中。最后以南宁某基 坑的8 # n 点为例，较详细地论述了建立基坑水平位移预测模型的步骤和实现方法，分别 采用优化的b p 神经网络和r b f 神经网络对该基坑的水平位移进行了预测，并将预测结 果与监测位移进行了对比分析。本文的技术路线图见图1 1 。 6 广西大掌硕士掌位论文 墓茸扣平位移预测的神经网络优啊开究 图1 1 技术路线图 f i g u r el - 1t e c h n o l o g yr o a d m a p 7 广西大掌司e 士掌位论文基坑水平位移舅e 测的神经网络优1 | 阁f 究 第二章基坑变形预测的b p 神经网络优化研究嘞r 蚓 2 1 概述 本章主要探讨在m a t l a b 平台下，采用神经网络模型进行基坑水平位移的预测中， 训练函数和网络结构的优化方法。传统的神经网络方法存在着各种缺陷，直接应用于基 坑的水平位移预测效果并不明显。如何改进神经网络模型，对模型进行优化，以期望能 达到基坑变形预测所期望的精度要求，是本章的一个重点研究问题。本章在介绍b p 神 经网络的一般步骤，讨论影响基坑水平位移b p 神经网络预测模型精度的主要因素的基 础上，对不同训练函数和不同的神经网络结构的排列组合构造多种网络结构，采用了自 编的“变神经元 神经网络小程序，确定最优化b p 网络结构。 2 2u a t l t b 简介 m a t l a b 是m a t h w o r k s 公司的产品，是一个为科学和工程计算而专门设计的 高级交互式软件包。m a t l a b 环境集成了图示和精确的数值计算，是一个可以完成各 种计算和数据处理的可视化的、强有力的工具。 m a t l a b 可用于应用数学、物理、化学、工程、医药、金融等领域，同时也是一 个优秀的教学工具。 m a t l a b 的主要特点： 1 、有高性能数值计算的高级算法，特别适合矩阵代数领域； 2 、有大量事先定义的数学函数，并具有用户自定义函数的能力； 3 、绘图和显示数据，并具有教育、科学和艺术学的图解； 4 、基于h t m l 的完全帮助系统； 5 、适合个人应用的强有力的面向矩阵向量的高级程序设计语言； 6 、与用其他语言编写的程序结合和输入输出格式化数据的能力； 7 、有在多个应用领域解决难题的工具箱。 m a t l a b 做为一个实用的工具，在神经网络建造模型建造上有着广泛的应用。本 章所研究的神经网络模型都是在m a t l a b 平台实现的。 2 3 基坑变形预测神经网络模型构成 神经网络组成主要由三个部分组成：输入层、隐含层( 也称中间层) 、输出层。神 经网络系统相当于人的大脑构成。各层由神经元来相互联系。神经元相当于人脑的细胞， r 广西大掌硕士学位论文a 坑水平位移预测的神经网络优喇饲f 完 用来接收和处理相关的信息，并将结果进行反馈。对于基坑的变形神经网络模型来说， 输入层的神经元相当于外界的接收信息，隐含层的神经元相当于人脑的处理调节系统， 输出层相当于人脑的处理后的结果分析。这三层是相互联系的，也构成了神经网络的最 基本的模式。对于基坑的神经网络预测模型来说，输入层的输入向量是基坑前几日的位 移量，中间层的神经元是调节输入向量和输出向量之间的桥梁，起到一个中介和调节最 后结果的作用。输出层是基坑下一时刻的位移预测值。 基坑的变形预测模型正是建立在对人工智能的模拟之上，通过对预测结果和输入向 量的不断分析，以接近预测精度和预测效果来不断修正网络模型。 基坑水平位移预测b p 神经网络模型的建立，主要包括以下几个步骤： 一是确定输入向量和输出向量； 二是选择b p 神经网络模型训练方法，确定网络参数； 三是确定网络结构； 四是检验误差。 一般来说，基坑的水平位移预测的神经网络模型中输入和输出向量比较固定，对 b p 神经网络的预测模型精度影响比较大的一个是训练函数的选择，另一个是网络结构 的确定。b p 神经网络是一种逆向传播误差的神经网络，输出结果如果不符合精度要求， 可通过反向传递函数改变网络连接权，从而改变网络的输出值。 2 4b p 神经网络的参数选择 2 4 1 印网络创建函数 在m a t l a b 中，n e f f 函数用于创建一个b p 网络。调用格式为： n e t = n e w f f ( p r , s ls 2 s n i ， t f lt f 2 t f n l , b t f , b l f , p f ) 其中， p r ：由每组输入( 共有r 组输入) 元素的最大值和最小值组成的r 2 维的矩阵； s ：第i 层的传递函数，默认为“t a n s i g ； b t f ：b p 网络的训练函数，默认为“t r a i n l m ； b l f ：权值和阀值的学习函数，默认为“1 e 锄g d i l l ”； p f ：网络的性能函数，默认为“m s e ”； 传递函数可以采用任意可微的传递函数，比如t a n s i g ，l o g s i g 和p u r e l i n 等。训练函 数可以是任意的b p 训练函数，如t r a i n l m ，t r a i n b f g ，t r a i n r p 和t r a i n g d 等。 9 广西大掌硕士掌位论文基坑水平位移预测的神经网络优化研究 2 4 2 神经元上的传递函数 传递函数是b p 网络的重要组成部分。传递函数又称为激活函数，必须是连续可微 的。b p 网络经常采用的对数、正切函数和线性函数。 ( 1 ) l o g s i g 函数 该函数为s 型的对数函数。该函数的特点是可将神经元的输入映射到区间( 0 ，1 ) 中， 又由于该函数为可微函数，因此非常适合于利用b p 算法训练神经网络。其数学表 达为： 户而与( 2 - 1 ) l o g s i g 函数图象见图2 - l 。 图2 - 1l o g s i g 函数图象 f i g u r e2 - 1l o g s i gf u n c t i o no fi m a g e ( 2 ) t a n s i g 函数 该函数为双曲正切s 型传递函数。其作用在于将神经元上的输入向量映射到区间 ( 1 ，1 ) 中。其数学表达为： y = 南。t 其函数图象见图2 - 2 。 1 0 ( 2 - 2 ) , r - 西大掌硕士掌位论文 a 坑水，平位移预测的神经网络优喇，开究 ， 厂 7 l | 一 图2 - 2t a n s i g 函数图象 f i g u r e2 - 2t a n s i gf u n c t i o no fi m a g e ( 3 ) p u r e l i n 函数 该函数为线性传递函数。其输出值不受限制，可以取较大输出。其数学表达为： 其函数见图2 3 。 y = x 7 夕 7 图2 - 3p u r e li n 函数 ( 2 - 3 ) f i g u r e2 - 3p u r e l i nf u n c t i o no fi m a g e 2 4 3b p 网络学习函数 ( 1 ) l e a m g d 该函数为梯度下降权值或阀值学习函数，它通过神经元的输入和误差，以及权值和 阀值的学习速率，来计算权值或阀值的变化率。 ( 2 ) l e a m g d m 广西大学硕士学位论文 | 0 坑水平位移预涮的神经网络优化研究 该函数为梯度下降动量学习函数，它利用神经元的输入和误差、权值或阀值的学习 速率和动量常数，来计算权值或阀值的变化率。 2 4 4b p 网络训练方法 ( 1 ) 准牛顿算法( t r a i n b 龟) 此算法的训练参数见表