《对向传播网络在大坝安全监测的数据处理中的应用.doc》由会员分享，可在线阅读，更多相关《对向传播网络在大坝安全监测的数据处理中的应用.doc（4页珍藏版）》请在三一文库上搜索。
1、对向传播网络在大坝安全监测的数据处理中的应用夏宝亮，张明武 河海大学理学院，南京(210098) E-mail: 摘要：建立了大坝安全监测数据处理大坝水平位移预测的对向传播网络模型，与通常的BP 神经网络模型进行对比，并与实测结果进行校核。结果表明，对于所研究的问题，对向 神经网络避免了 BP 网络的局部极小及收敛速度等，在精度、训练速度等方面优于 BP 网络。 关键词：人工神经网络；CP 网络；大坝安全监测中图分类号：0. 引言大坝安全监控是测绘工程重要的研究方向之一。安全监控的信息处理的研究对于分析大 坝的安全具有十分重要的意义。信息处理的方法是多种多样的，神经网络是目前较为热点的 方法之
2、一1。神经网络方法广泛应用于工程中数学模型的建立。它不同于传统的统计模型、 确定性模型和混合模型等显示式表示的模型，而是通过隐含层隐式地表示变量与因变量之间 的关系，表达能力更强，能较好地对包含不确定因果关系的信息及数据进行分析1-2。目前 有许多的论文应用神经网络于大坝安全监测数据处理中，但大多数都采用的是 BP 网络3。 本文则采用的是把 CP 网络应用于大坝安全监测数据处理中，与 BP 网络的结果进行比较， 得到了更令人满意的结果。1 CP 网络概述人工神经网络或称联接机制，是由简单信息处理单元（神经元）互连组成的网络，能接 收并处理信息，它是通过把问题表达成处理单元之间的联接权来处理的
3、3-7。对向传播（Counter-Propagation）神经网络（简称 CP 网络）是将 Kohonen 特征映射网 络与 Grossberg 基本竞争型网络相结合，发挥各自特长的一种新型特征映射网络。这一网络 是美国神经计算机专家 Robert Hecht-Nielsen 于 1987 年提出的。这一网络有效地应用于模式 分类、函数近似、统计分析和数据压缩等领域2。网络结构如图 1 所示。网络分输入层、竞 争层、输出层三层。输入层与竞争层构成 SOM 网络，竞争层与输出层构成基本竞争型网络。 网络从整体上看属于有教师示教型网络，而由输入层和竞争层构成的 SOM 网络又是一种典 型的无教师示
4、教型网络7。因此，这一网络既汲取了无教师示教型网络分类灵活、算法简练 的优点，又采纳了有教师示教型网络分类精细、准确的长处，使两种不同类型的网络有机地 结合起来。- 4 -ljjilji图 1 CP 网络结构输入层 竞争层输入层由输入层至竞争层，网络按 SOM 学习规则产生竞争层的获胜神经元，并按这一规则调整相应的输入层至竞争层的连接权；由竞争层至输出层，网络按基本竞争型网络学习规则， 得到各输出神经元的实际输出值，并按有教师示教的误差校正方法，调整由竞争层至输出层 的连接权。经过这样反复地学习，可以将任意输入模式映射为输出模式。由 CP 网络的这一 基本思想我们可以发现，处于网络中间位置的竞
5、争层获胜神经元及与其相关是连接权向量， 即反映了输入模式的统计特征，又反映了输出模式的统计特征。因此，可以认为输入、输出 模式通过竞争实现了相互映射，即网络具有双向记忆功能7。2 应用实例2.1 工程与监测概况大坝监测项目主要有环境量（包括水位、气温、降雨等）以及坝顶水平位移、坝顶垂直 位移、接缝开度和坝基渗压。2.2 CP 网络在工程中的应用CP 网络学习过程输入层为上游水位、日平均气温，输出层为大坝的水平位移，见表 1。表 1 CP 网络学习过程的输入输出层数据上游水日平均水平位位/m气温/移/mm上游水日平均水平位位/m气温/移/mm上游水日平均水平位位/m气温/移/mm741971.9
6、8811074.74841475.5721671.8285.82973.08852573.1485.3323.472.4184.9524.172.3584.6222.372.3784.625.272.1984.2229.372.2186.6427.772.0685.7428.372.1485.725.472.1186.6125.772.1786.2922.572.0886.1325.772.6685.471972.5686.3317.872.1786.419.173.685.917.372.785.8711.774.6286.1912.973.5985.988.774.8686.4513.67
7、4.5486.2614.875.1486.8916.573.486.371974.586.922573.4986.8625.2573.2585.5225.873.6486.4230.371.3285.9230.170.5684.6625.270.3886.0425.970.3286.8425.970.484.0929.570.8485.8321.271.58CP 网络学习过程输出层的水平位移拟合的结果与实际水平位移结果，见图 2 左。网络学习中误差为 0.61 毫米。相比较，BP 网络学习过程输出层的水平位移拟合的结果与实际水 平位移结果，见图 2 右。网络学习中误差为 0.92 毫米。水平位
8、移/mm76水平位移拟合值75/mm747372717069686716111621263136水平位移/mm76水平位移拟合值75/mm747372717069686716111621263136图 2 CP 和 BP 网络学习过程输出层拟合结果与实际结果对照表CP 网络预报过程输入层为上游水位、日平均气温，输出层为大坝水平位移的预报值。 它与实际结果见图 3 左。预报结果中误差为 0.53mm。相比较，BP 网络预报过程输出结果与 实际结果，见图 3 右。预报结果中误差为 0.77mm。7574.57473.57372.57271.57170.570水平位移观测值/mm水平位移预报值/mm
9、123457574.57473.57372.57271.57170.570水平位移观测值/mm水平位移预报值/mm12345图 3 CP 和 BP 网络预报过程输出层预报结果与实际结果对照表从图 3 中，在应用于大坝安全监测信息处理过程中，预报水平位移时，BP 神经网络与 CP 神经网络的学习和预报的输入数据是完全相同的，但 CP 神经网络的学习和预报都比 BP 神经网络的精度要高，而且在程序运行工程中，CP 神经网络的学习速度比 BP 神经网络的 学习速度快，得到了更令人满意的结果。3 结语用对向传播神经网络对大坝安全监测数据进行处理是神经网络方法在大坝安全监测领 域的探索，实例表明它能提高
10、水平位移预测的精度。对向传播神经网络结构简单，具有良好 的推广性，并且从实例中可以看出，它避免了 BP 网络哪些繁琐、冗长的计算，其学习速度 是常用的 BP 网络所无法比拟的。因此对向传播神经网络在大坝安全监测中具有重要意义。参考文献1黄红女. 土石坝安全监控理论与技术的研究及应用D. 南京：河海大学,2005. 2神经网络理论与 MATLAB7 实现M 北京: 电子工业出版社,2005:189-192.3张晓春,徐 晖,邓念武,陈仁喜. 径向基函数神经网络在大坝安全监测数据处理中的应用J. 武汉大学学 报,2003（2）:33-36.4吴中如. 水工建筑物安全监控理论及其应用M. 南京：河海
11、大学,1990.5鄢 玉,杨洁明. BP 神经网络算法探讨J. 科技情报开发与经济,2006:241-242.6李元松,李新平,张成良. 基于 BP 网络的隧道围岩位移预测方法J. 岩土力学与工程学报,2006:2969-2973. 7张立明. 人工神经网络的模型及其应用M. 复旦大学出版社,1995:1-92.Application of A Counter-Propagation Neural Network Model to Data Processing Technique of Dam Safety MonitoringXia Baoliang,Zhang MingwuCollege
12、 of Science, Hohai University, Nanjing(210098)AbstractA Counter-Propagation neural network model to data Processing technique of dam safety monitoring isestablished. The prediction model based on Counter-Propagation neural network is studied through experimental data and verified by additional data
13、successfully. Another network model based on back Propagation network is also trained for comparison. The results show that the Counter-Propagation neural network is much better than back propagation network in accuracy and speed of training for the problem studied.Keywords: Neural network; CP Network; dam safety monitoring