基于神经网络的大坝变形智能监控模型研究

摘要

变形观测方法简便易行，其成果直观可靠，能够真实反映大坝的工作性态，是大坝安全监测的主要监测量之一，也是大坝安全监控的重要指标。 本文基于人工神经网络的非线性函数逼近能力，应用Matlab7.1网络仿真平台，结合辽宁省白石水库多年大坝变形实测数据，建立了三种不同改进BP算法的多层感知器监控模型以及广义回归径向基神经网络监控模型，以期获得比传统的逐步回归统计模型更为准确的预测、预报结果，实现对大坝变形的实时、有效监控。 研究表明，几种人工神经网络的拟合、预报结果，不但都能满足建模的精度要求，而且均优于传统的逐步回归模型。 通过对网络权值、阈值等的多次随机初始赋值，反复试验发现，目前使用最为广泛的BP神经网络，尽管有很多改进优化算法，但仍不能很好地解决BP算法固有的收敛速度慢、容易陷入局部极小、泛化能力差等缺点，而且它的建模步骤较为烦杂，网络参数和训练参数过多，给寻找理想监控模型带来很大难度。通常情况下，需要通过不断地测试，训练数千个模型，才能找到一个真正理想的BP网络模型。 基于广义回归径向基神经网络的智能监控模型，相比之下，不但建模方便，训练快捷，而且具有良好的泛化能力，能够显著提高大坝变形预报的精度，可以有效地完成大坝变形实时监控的任务。 人工神经网络模型尽管在预报效果和精度方面优于逐步回归统计模型，但是它不能像统计模型那样，给出变形与影响因素之间的函数关系，不便于对变形量进行解析计算，定量分析大坝的变形规律。因此，应针对不同的工作需要，合理选择以何种方式建立大坝变形的数学模型。

目录

文摘

英文文摘

声明

1绪论

1.1引言

1.2大坝安全监控理论、方法和安全监控体系

1.3大坝变形监控模型国内外研究现状

1.4本文研究的主要内容和采用的技术路线

2多元逐步回归分析的基本理论

2.1回归分析概述

2.2回归函数和线性回归模型的一般形式

2.3多元线性回归分析

2.3.1多元线性回归模型

2.3.2回归参数的最小二乘估计

2.3.3复相关分析

2.3.4方差分析

2.3.5回归系数的显著性检验(F检验)

2.4逐步回归分析

2.4.1最佳回归模型

2.4.2逐步回归分析法

2.5多项式回归分析

2.6回归分析的多重共线性问题

2.6.1多重共线性问题概述

2.6.2多重共线性问题的解决方法

2.7 SPSS统计包

3人工神经网络的基本理论

3.1人工神经网络概述

3.2人工神经网络分类

3.3基于BP算法的多层感知器

3.3.1人工神经元的数学表达

3.3.2激活函数和神经元M-P模型

3.3.3神经网络的学习规则

3.3.4多层感知器

3.3.5基于BP算法的三层感知器数学模型

3.3.6标准误差反向传播(BP)算法分析

3.3.7 BP神经网络模型结构

3.3.8 BP网络设计及其局限性

3.3.9标准BP算法的改进优化

3.4径向基神经网络

3.4.1径向基神经网络概述

3.4.2径向基神经网络的工作原理和特性

3.4.3径向基神经网络数学模型

3.4.4径向基神经网络学习算法

3.4.5径向基神经网络和基于BP算法的多层感知器网络比较

3.5 MATLAB神经网络工具箱

4混凝土重力坝变形的单测点数学模型

4.1单测点数学模型概述

4.2水压位移分量

4.3温度位移分量

4.4时效位移分量

4.5混凝土重力坝变形的单测点全模型

5白石水库坝顶变形智能监控模型研究

5.1白石水库工程概况

5.2白石水库坝顶变形监测

5.3白石水库坝顶变形的逐步回归监控模型

5.3.1逐步回归统计模型建立

5.3.2大坝变形的性态分析

5.4白石水库坝顶变形的BP神经网络监控模型

5.4.1 BP神经网络设计

5.4.2 BP神经网络训练

5.4.3 BP神经网络模型仿真与预报

5.4.4提高BP神经网络建模精度的参数调整

5.5白石水库顶变形径向基神经网络模型

5.5.1广义回归径向基网络

5.5.2广义回归径向基网络设计

5.5.3广义回归径向基网络训练

5.6白石水库坝顶变形监控模型比较分析

5.6.1拟合效果分析

5.6.2预报效果分析

结论与展望

参考文献

附录

致谢