深圳市水务局 广东深圳 518036
摘要:众所周知，BP神经网络是人工智能网络中的一个典型算法，也是目前研究最为成熟的神经网络模型之一。不仅有很强的非线性映射能力，而且也是一种基于模型训练误差梯度降低的具有较强非线性映射能力的模型，它模拟了人脑神经网络的工作原理，对一系列的输入信息进行处理和传递最终得到期望的输出成果。在大坝中，其变形主要受到水位高度、温度、气压等因素的影响，这些影响因素可综合反映为大坝变形随时间而变化的规律，我们利用BP神经网络建立变形影响因子与大坝变形量之间的映射关系，从而实现对大坝变形的预测分析。供同行参考。
关键字: BP神经网络；大坝变形预测；模型精度；网络训练
一、BP神经网络模型的原理
BP神经网络是一种基于误差逆向传播从而修正网络参数的模型，网络训练的过程就是一个不断学习样本数据中输入量和输出量之间关系的过程。该过程主要分为两个步骤，第一个步骤是输入信息的正向传播过程，该过程中样本输入量沿着网络经输入层、隐含层传输至输出层，得到输出层的输出量，并将该输出量与期望输出值进行比较；第二个步骤是模型误差的逆向传播过程，该过程中模型误差经输出层、隐含层传递至输入层，因此修正输出层阈值、隐含层至输出层连接权值、隐含层阈值、输入层至隐含层连接权值。
重复以上过程直到网络训练误差达到预先规定的极小值或者训练次数达到要求，即完成BP神经网络模型的训练过程。模型训练完成后，即表示建立了样本数据中的输入和输出的对应关系，给定相应的输入值，即可通过BP神经网络模型计算得到对应的预测输出信息。
二、大坝变形预测中BP神经网络模型的结构及训练过程
2.1 网络结构
BP神经网络由输入层、隐含层以及输出层构成，其中隐含层可以为多层，据研究，一个三层BP神经网络可模拟表示任一连续函数，因此本文中隐含层设置为一层。BP神经网络模型结构见图1。
图3 模型预测误差效果图
从以上图表中可以看出，BP神经网络预测值与实测值吻合情况较好，之间的误差均在1mm以内，表明BP神经网络具有良好的预测效果。
四、结束语
BP神经网络是一种较好的预测模型，它并不需要预先知道样本数据的映射规律也可进行训练。同时BP神经网络具有收敛速度快，预测准确的特点，因此可在大坝变形预测中进行应用。但同时BP神经网络也具有学习速度慢，容易陷入局部极小值的问题，因此探讨BP神经网络模型的改进和优化也是一个十分热门的话题，此处可待进一步研究。
参考文献
[1] 沈卓君. 基于改进神经网络的大坝安全监控模型[J]. 安徽农业科学. 2008(12).
[2] 翁静君,华锡生. 改进的BP神经网络在大坝安全监控中的应用[J]. 水电自动化与大坝监测. 2006(04).
[3] 吴秀娟,李征航. 基于BP网络的大坝变形分析与预报[J]. 测绘信息与工程. 2009(05).
[4] 张华丽,商健林. 神经网络的大坝变形模型分析[J]. 公路交通科技(应用技术版). 2010(10).
[5] 缪新颖,褚金奎,杜小文. LM-BP神经网络在大坝变形预测中的应用[J]. 计算机工程与应用. 2011(01).
[6] 刘健,蔡建军,程森. 基于遗传神经网络的大坝变形预测模型研究[J]. 山东大学学报(工学版). 2006(02).
论文作者:刘风雷
论文发表刊物:《防护工程》2017年第9期
论文发表时间:2017/9/1
标签：神经网络论文; 大坝论文; 模型论文; 误差论文; 过程论文; 网络论文; 样本论文; 《防护工程》2017年第9期论文;