大壩安全監(jiān)控及評(píng)價(jià)的智能神經(jīng)網(wǎng)絡(luò)模型研究.pdf

1、本文在分析現(xiàn)有的大壩安全監(jiān)控模型和安全評(píng)價(jià)方法的基礎(chǔ)上，針對(duì)其中的BP神經(jīng)網(wǎng)絡(luò)模型收斂速度慢、易陷入局部極小、結(jié)果受初值影響大、穩(wěn)定性差等缺陷，將BP神經(jīng)網(wǎng)絡(luò)與一些新穎的智能算法融合，構(gòu)建了一系列的智能神經(jīng)網(wǎng)絡(luò)模型，并將其應(yīng)用于大壩安全監(jiān)控預(yù)報(bào)和安全評(píng)價(jià)中。主要研究工作如下： 針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂緩慢的缺陷，以L-M算法代替梯度下降法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，建立了基于L-M算法的大壩安全監(jiān)控整體LM模型和逐一LM模型。實(shí)例研究表明，整體L

2、M模型和逐一LM模型的預(yù)測(cè)效果及訓(xùn)練速度均顯著優(yōu)于快速BP模型，逐一LM模型的預(yù)測(cè)精度及泛化能力均優(yōu)于整體LM模型。 針對(duì)BP神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果受初值影響大、穩(wěn)定性差、收斂速度慢、易陷入局部極小等缺陷，將遺傳算法與基于L-M訓(xùn)練算法的BP網(wǎng)絡(luò)結(jié)合構(gòu)成了遺傳神經(jīng)網(wǎng)絡(luò)；在此基礎(chǔ)上建立了大壩安全監(jiān)控逐一混合遺傳模型和整體遺傳模型。實(shí)例研究表明：逐一混合遺傳模型和整體遺傳模型的預(yù)報(bào)精度分別高于逐一LM模型和整體LM模型，且預(yù)報(bào)結(jié)果穩(wěn)定；逐

3、一混合遺傳模型和逐一LM模型的預(yù)測(cè)精度分別高于整體遺傳模型和整體LM模型；隨著樣本的積累，逐一混合遺傳模型預(yù)報(bào)精度不斷提高，預(yù)報(bào)速度很快，可以比較準(zhǔn)確、有效地用于大壩監(jiān)控量的實(shí)時(shí)預(yù)報(bào)。 針對(duì)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小、收斂速度慢、計(jì)算結(jié)果受初值影響大的缺陷，將粒子群算法與基于L-M訓(xùn)練算法的BP網(wǎng)絡(luò)結(jié)合構(gòu)成了粒子群神經(jīng)網(wǎng)絡(luò)，在此基礎(chǔ)上提出了大壩安全監(jiān)控逐一粒子群模型和整體粒子群模型。實(shí)例研究表明：逐一預(yù)報(bào)模型(逐一粒子群和逐一L

4、M)的預(yù)報(bào)精度明顯高于對(duì)應(yīng)的整體預(yù)報(bào)模型(整體粒子群和整體LM)的預(yù)報(bào)精度；與基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)模型相比，粒子群神經(jīng)網(wǎng)絡(luò)模型不僅收斂速度明顯加快，而且預(yù)報(bào)精度也有較大的提高，尤其是逐一粒子群模型，其高精度和短歷時(shí)性完全滿足實(shí)時(shí)預(yù)報(bào)的需要，可以準(zhǔn)確、有效地應(yīng)用于大壩監(jiān)控量的實(shí)時(shí)預(yù)報(bào)。 針對(duì)大壩安全評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)模型收斂速度慢，穩(wěn)定性差的缺陷，在已有評(píng)價(jià)方法及理論的基礎(chǔ)上，嘗試將徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)用于大壩安全評(píng)價(jià)。以豐滿