论文部分内容阅读
[摘要]本文在综述了深基坑变形监测数据处理研究现状的基础上，提出了采用神经网络算法进行数据分析和预报。文中详细介绍了神经网络算法，并重点阐述了BP神经网络算法的原理。针对传统BP神经网络算法存在的缺陷，通过对初始权值选取进行了改正，并将小波基函数作为改进算法的激活函数，这样有效的避免了神经网络陷入局部过小。最后，确认预测结果更加精确。
[关键词]深基坑 变形预报 BP神经网络
[中图分类号] TV551.4 [文献码] B [文章编号] 1000-405X（2014）-6-100-1
0引言
深基坑变形监测作为变形监测中十分重要的内容，其技术和方法也在随着科技的发展而发生积极的变化。科学、准确、及时地分析和预报工程及工程建筑物的变形情况，对工程建筑物的施工和运营管理极为重要，变形监测工作的意义重点表现在两方面：首先是实用上的意义，主要是掌握各种建筑物和地质构造的稳定性，为安全性诊断提供必要的信息以便发现问题并采取措施：其次是科学上的意义，包括更好地理解变形的机理，验证有关工程设计的理论和地壳运动的假说，进行反馈设计以及建立有效的变形预报模型[1]。本文主要阐述了如何将BP神经网络应用于基坑变形监测的数据处理，预测未来变形值，并结合工程实例改进优化算法。
1神经网络算法
神经网络又称为人工神经网络，它是人类在充分认识人脑的结构和功能的基础上，对人脑的神经网络系统进行模拟的一种计算网络[2]。神经网络在两个方面与人脑相似：神经网络获取的知识是从外界环境中学习得来的；互连神经元的连接强度，即连接权值，用于储存获取的知识。BP网络学习算法探索人类认知的微结构后提出来的，其网络结构如图1所示。网络除输入层、输出层外，还有一层或多层隐含层。对于输入信号，要先向前传播到隐节点，经过激活函数后，再把隐节点的输出信息传播到输出节点，最后输出结果。节点的激活函数通常都选取标准的Sigmoid型函数。
BP算法的学习过程由正向和反向传播两部分组成[3]：第一阶段（正向传播过程）：给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值。第二阶段（反向传播过程）：若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值（即误差），以便根据此差值调节权值。具体的说，就是可对每一个权重计算出接收单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的（负）微商成正比（又称梯度下降算法），把它称作权重误差微商。权重的实际改变可由权重误差微商按各个模式分别计算出来。这两个过程的反复运行，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束。
2BP神经网络存在的问题与算法的改进
2.1BP神经网络存在的问题
2.1.1存在不少局部最小点
在某些权初值的条件下，算法的结果会陷入局部最小。由于存在一些平坦地区，在此区域内误差的改变很小，造成网络完全不能得到训练。除此之外，还有初始随机加权的大小，对局部最小的影响最大。如果这些加权太大，一开始就可能使网络处于S型函数的饱和区，则系统有可能陷入局部最小。一般来说，希望初始权值较小，以便每个神经元的状态值接近于0，这样可保证在以开始时不会落到那些平坦区上。
2.1.2学习算法的收敛速度慢
的取值目前是根据实验或经验来确定，还没有一个理论的指导。若 选得太小，收敛可能很慢；若 选的太大，又可能出现麻痹现象，也可能会出现振荡现象而无法收敛。因此，学习效率的选择是学习算法收敛速度的关键因素之一。
2.1.3 S型函数的选取
当S型函数进入饱和区，其导数非常小，随之加权修正量也非常小，若当激活函数的导数趋于0，误差趋于0，结果使得加权修正量趋于0，这就相当于调节过程几乎停滞。所以选择适当的S型函数。
2.2BP神经网络的算法改进
针对BP神经网络的上述缺陷，国内外学者进行了大量的研究，提出了一些良好的改进措施，其中也不乏对激活函数的改进，对于标准的Sigmoid的输出動态范围是（0，1），理论及实践均表明不是最佳的。然而根据小波神经网络的思想，用非线性的小波基代替通常的Sigmoid函数，将小波变换良好的时频局域化特性和神经网络的自主学习功能相结合，因而具有最佳的函数逼近能力和容错能力。对于在国际上比较常用的Morlet母小波，有
由图2可知此函数的阈值为（-1，1），避免了函数过早的进入饱和区而导致加权修正量非常小。而且改观了传统遗传算法的收敛速度慢的弊端，并减少了收敛时间。
权值的初始化强烈的影响着最终的解。在BP算法中，初始权值通常由在固定范围中生成均匀随机数得到设置。但如果权值的选取太大或不当会陷入局部最小。在应用中发现，初始权值赋值为接近于0的非0值，能够有效的避免网络过早的进入饱和区。所以在计算机编程时可以利用random函数随机赋值再除以10来实现。该法很好的克服了初始权值对最终结果的影响。
3结论
将改进后的BP神经网络算法应用于深基坑变形预测研究中，通过工程实例进行了验证研究。结果表明，改进的BP神经网络算法适用于建筑物深基坑沉降预测问题研究，预测结果与实际沉降量具有良好的一致性，能够对未来的沉降预测起到跟踪目的，并及时反馈环境变化的信息，便于施工人员及时调整施工参数，避免重大工程事故的发生。
参考文献
[1]高大钊.深基坑工程[M].北京：机械工程出版社，2002.
[2]戴葵.神经网络实现技术[M].长沙：国防科技大学出版社，1998.
[3]黄声享，尹晖，蒋征.变形监测数据处理[M].武汉：武汉大学出版社，2003.
[关键词]深基坑 变形预报 BP神经网络
[中图分类号] TV551.4 [文献码] B [文章编号] 1000-405X（2014）-6-100-1
0引言
深基坑变形监测作为变形监测中十分重要的内容，其技术和方法也在随着科技的发展而发生积极的变化。科学、准确、及时地分析和预报工程及工程建筑物的变形情况，对工程建筑物的施工和运营管理极为重要，变形监测工作的意义重点表现在两方面：首先是实用上的意义，主要是掌握各种建筑物和地质构造的稳定性，为安全性诊断提供必要的信息以便发现问题并采取措施：其次是科学上的意义，包括更好地理解变形的机理，验证有关工程设计的理论和地壳运动的假说，进行反馈设计以及建立有效的变形预报模型[1]。本文主要阐述了如何将BP神经网络应用于基坑变形监测的数据处理，预测未来变形值，并结合工程实例改进优化算法。
1神经网络算法
神经网络又称为人工神经网络，它是人类在充分认识人脑的结构和功能的基础上，对人脑的神经网络系统进行模拟的一种计算网络[2]。神经网络在两个方面与人脑相似：神经网络获取的知识是从外界环境中学习得来的；互连神经元的连接强度，即连接权值，用于储存获取的知识。BP网络学习算法探索人类认知的微结构后提出来的，其网络结构如图1所示。网络除输入层、输出层外，还有一层或多层隐含层。对于输入信号，要先向前传播到隐节点，经过激活函数后，再把隐节点的输出信息传播到输出节点，最后输出结果。节点的激活函数通常都选取标准的Sigmoid型函数。
BP算法的学习过程由正向和反向传播两部分组成[3]：第一阶段（正向传播过程）：给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出值。第二阶段（反向传播过程）：若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值（即误差），以便根据此差值调节权值。具体的说，就是可对每一个权重计算出接收单元的误差值与发送单元的激活值的积。因为这个积和误差对权重的（负）微商成正比（又称梯度下降算法），把它称作权重误差微商。权重的实际改变可由权重误差微商按各个模式分别计算出来。这两个过程的反复运行，使得误差信号最小。实际上，误差达到人们所希望的要求时，网络的学习过程就结束。
2BP神经网络存在的问题与算法的改进
2.1BP神经网络存在的问题
2.1.1存在不少局部最小点
在某些权初值的条件下，算法的结果会陷入局部最小。由于存在一些平坦地区，在此区域内误差的改变很小，造成网络完全不能得到训练。除此之外，还有初始随机加权的大小，对局部最小的影响最大。如果这些加权太大，一开始就可能使网络处于S型函数的饱和区，则系统有可能陷入局部最小。一般来说，希望初始权值较小，以便每个神经元的状态值接近于0，这样可保证在以开始时不会落到那些平坦区上。
2.1.2学习算法的收敛速度慢
的取值目前是根据实验或经验来确定，还没有一个理论的指导。若 选得太小，收敛可能很慢；若 选的太大，又可能出现麻痹现象，也可能会出现振荡现象而无法收敛。因此，学习效率的选择是学习算法收敛速度的关键因素之一。
2.1.3 S型函数的选取
当S型函数进入饱和区，其导数非常小，随之加权修正量也非常小，若当激活函数的导数趋于0，误差趋于0，结果使得加权修正量趋于0，这就相当于调节过程几乎停滞。所以选择适当的S型函数。
2.2BP神经网络的算法改进
针对BP神经网络的上述缺陷，国内外学者进行了大量的研究，提出了一些良好的改进措施，其中也不乏对激活函数的改进，对于标准的Sigmoid的输出動态范围是（0，1），理论及实践均表明不是最佳的。然而根据小波神经网络的思想，用非线性的小波基代替通常的Sigmoid函数，将小波变换良好的时频局域化特性和神经网络的自主学习功能相结合，因而具有最佳的函数逼近能力和容错能力。对于在国际上比较常用的Morlet母小波，有
由图2可知此函数的阈值为（-1，1），避免了函数过早的进入饱和区而导致加权修正量非常小。而且改观了传统遗传算法的收敛速度慢的弊端，并减少了收敛时间。
权值的初始化强烈的影响着最终的解。在BP算法中，初始权值通常由在固定范围中生成均匀随机数得到设置。但如果权值的选取太大或不当会陷入局部最小。在应用中发现，初始权值赋值为接近于0的非0值，能够有效的避免网络过早的进入饱和区。所以在计算机编程时可以利用random函数随机赋值再除以10来实现。该法很好的克服了初始权值对最终结果的影响。
3结论
将改进后的BP神经网络算法应用于深基坑变形预测研究中，通过工程实例进行了验证研究。结果表明，改进的BP神经网络算法适用于建筑物深基坑沉降预测问题研究，预测结果与实际沉降量具有良好的一致性，能够对未来的沉降预测起到跟踪目的，并及时反馈环境变化的信息，便于施工人员及时调整施工参数，避免重大工程事故的发生。
参考文献
[1]高大钊.深基坑工程[M].北京：机械工程出版社，2002.
[2]戴葵.神经网络实现技术[M].长沙：国防科技大学出版社，1998.
[3]黄声享，尹晖，蒋征.变形监测数据处理[M].武汉：武汉大学出版社，2003.