何科敏

(寧波市測(cè)繪設(shè)計(jì)研究院，浙江 寧波 315042)

?

基于小生境等維BP神經(jīng)網(wǎng)絡(luò)的沉降預(yù)報(bào)

何科敏*

(寧波市測(cè)繪設(shè)計(jì)研究院，浙江 寧波 315042)

針對(duì)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)全局優(yōu)化能力低、無法學(xué)習(xí)的缺陷，引入遺傳算法中的小生境技術(shù)，研究了基于小生境等維BP神經(jīng)網(wǎng)絡(luò)模型，同時(shí)利用MATLAB進(jìn)行編程實(shí)現(xiàn)。該模型的核心思想是借助小生境遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)和閾值，進(jìn)而提高了等維BP神經(jīng)網(wǎng)絡(luò)模型的全局優(yōu)化能力，改善了模型的收斂性。結(jié)合寧波某大樓沉降監(jiān)測(cè)實(shí)例，利用小生境等維BP神經(jīng)網(wǎng)絡(luò)、GM(1，1)模型、等維BP神經(jīng)網(wǎng)絡(luò)模型分別對(duì)沉降數(shù)據(jù)建模預(yù)測(cè)，結(jié)果表明，小生境等維BP神經(jīng)網(wǎng)絡(luò)模型更加符合實(shí)際情況、預(yù)測(cè)效果更佳。

小生境；等維；BP神經(jīng)網(wǎng)絡(luò)；沉降預(yù)報(bào)

1 引 言

在施工和使用過程中，建筑物的沉降時(shí)有發(fā)生。當(dāng)沉降過大或不均勻時(shí)，會(huì)嚴(yán)重威脅到建筑物的安全，為了時(shí)刻掌握建筑物的變化情況，對(duì)其進(jìn)行沉降監(jiān)測(cè)并預(yù)報(bào)變化趨勢(shì)具有重要意義。近年來，人工神經(jīng)網(wǎng)絡(luò)得到了廣泛的應(yīng)用，但是采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)一般要求人們對(duì)變化的原因有比較詳細(xì)的了解，本文充分利用神經(jīng)網(wǎng)絡(luò)的非線性能力，建立預(yù)測(cè)量與因變量的非線性關(guān)系[1]。利用上述模型來預(yù)測(cè)建筑物測(cè)沉降量往往是困難的，因引起沉降的因素錯(cuò)綜復(fù)雜且這些數(shù)據(jù)往往很難采集，基于此，文獻(xiàn)[2]提出了基于灰色理論等維信息策略的等維BP神經(jīng)網(wǎng)絡(luò)建模思想。

文獻(xiàn)[2]中提出的模型本身仍存在一些固有的缺點(diǎn)，因此本文在文獻(xiàn)[2]的基礎(chǔ)上，提出一種新的想法：利用小生境遺傳算法優(yōu)化等維BP神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)和閾值，構(gòu)造小生境等維BP網(wǎng)絡(luò)模型，同時(shí)利用Matlab進(jìn)行編程實(shí)現(xiàn)，結(jié)合工程實(shí)例分析，以檢驗(yàn)本文研究方法的精度和效果。

2 小生境等維BP網(wǎng)絡(luò)

2.1 等維BP網(wǎng)絡(luò)模型[2]

除了意外因素的影響，建筑物的沉降數(shù)據(jù)中含有一定的變化趨勢(shì)，即：后期的數(shù)據(jù)與前期的數(shù)據(jù)緊密聯(lián)系，往往可從前期數(shù)據(jù)的數(shù)據(jù)中挖掘有用信息[3]。模型的訓(xùn)練樣本就是由其本身構(gòu)造的，由此建立的網(wǎng)絡(luò)預(yù)報(bào)模型就是等維BP網(wǎng)絡(luò)。

假設(shè){xi|(i=1，2，…，p)}為沉降觀測(cè)數(shù)據(jù)序列。我們以{x1，x2，…，xn}，{x2，x3，…，xn+1}，… ，{xq，xq+1，…，xn+q-1}作為輸入樣本，以{xn+1，xn+2，…，xn+q}作為輸出樣本，由網(wǎng)絡(luò)學(xué)習(xí)建立神經(jīng)網(wǎng)絡(luò)模型，網(wǎng)絡(luò)訓(xùn)練好后即可進(jìn)行沉降預(yù)測(cè)。每一組輸入對(duì)應(yīng)的輸出都為下一期房屋沉降量，同時(shí)輸入序列不斷更新，維數(shù)保持相等，即保持輸入向量的維數(shù)不變，用這樣的樣本訓(xùn)練BP網(wǎng)絡(luò)，得到的模型稱為等維BP神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型。

等維BP網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為n，輸出層神經(jīng)元個(gè)數(shù)為1，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示：

圖1 等維BP神經(jīng)網(wǎng)絡(luò)模型

2.2 小生境等維BP網(wǎng)絡(luò)

BP算法簡(jiǎn)單、可塑的優(yōu)點(diǎn)可使其在沉降預(yù)測(cè)中得到廣泛應(yīng)用，但其基于梯度下降的本質(zhì)導(dǎo)致其經(jīng)常陷入局部最小，學(xué)習(xí)能力差，全局尋優(yōu)能力[4]差等缺陷，而人工智能的另一個(gè)分支——遺傳算法，其本身強(qiáng)大的尋優(yōu)能力可以很好的解決上述問題[5]。因此，充分利用兩種算法的優(yōu)點(diǎn)，將其結(jié)合起來的做法得到了越來越多的重視，其解決問題的能力得到了極大的提高。

基本遺傳算法也有其自身的不足，其尋優(yōu)搜素往往是隨機(jī)的、盲目的，收斂性也不穩(wěn)定且速度慢，當(dāng)系統(tǒng)的規(guī)模較大時(shí)，優(yōu)化效果具有延時(shí)性，往往需要很長(zhǎng)時(shí)間得到改善。因此本文對(duì)標(biāo)準(zhǔn)遺傳算法進(jìn)行了一定改進(jìn)，研究了小生境技術(shù)的遺傳算法，使其種群多樣性得到保持的同時(shí)，對(duì)算法的優(yōu)化能力進(jìn)行強(qiáng)化，進(jìn)而算法的收斂性得到改善，計(jì)算精度[6]得到一定提高。

本文研究的小生境等維BP網(wǎng)絡(luò)是借助小生境遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)和閾值，其算法步驟[7]如下：

(1)選定網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)規(guī)則；

(2)確定編碼方案，初始群體隨機(jī)生成，個(gè)體由碼鏈表示，其代表了網(wǎng)絡(luò)的一種權(quán)重分布狀態(tài)，一組碼鏈代表一組不同權(quán)重值的神經(jīng)網(wǎng)絡(luò)；

(3)計(jì)算神經(jīng)網(wǎng)絡(luò)的誤差函數(shù)，從而確定遺傳算法所需的適應(yīng)度函數(shù)；

(4)利用基于小生境技術(shù)的遺傳算法對(duì)選定網(wǎng)絡(luò)的連接權(quán)值進(jìn)行遺傳迭代計(jì)算，使權(quán)值不斷變化，直至滿足訓(xùn)練目標(biāo)為止；

(5)輸出網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值；

(6)利用優(yōu)化后的最優(yōu)權(quán)和閾值進(jìn)行神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練，并利用訓(xùn)練之后的網(wǎng)絡(luò)進(jìn)行沉降量的預(yù)報(bào)。

本文利用改進(jìn)的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的工作流程圖[8]，如圖2所示。

圖2 改進(jìn)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法流程圖

3 實(shí)例分析

3.1 工程概括

寧波市某小區(qū)于2016年1月15日開始建設(shè)，為了監(jiān)控大樓建設(shè)過程的安全狀況，對(duì)其進(jìn)行沉降監(jiān)測(cè)很有必要。在大樓墻角、外墻上每隔 15 m布設(shè)監(jiān)測(cè)點(diǎn)。外業(yè)按建筑變形監(jiān)測(cè)二級(jí)水準(zhǔn)要求觀測(cè)，觀測(cè)頻率為1周一次，總共觀測(cè)了15期。為了驗(yàn)證前文中提出的小生境等維BP神經(jīng)網(wǎng)絡(luò)模型的有效性，分別利用灰色模型、等維BP模型以及本文中提出的模型對(duì)建筑物沉降量進(jìn)行預(yù)測(cè)并比較預(yù)測(cè)效果。

實(shí)際監(jiān)測(cè)數(shù)據(jù)通常分為兩種：漸變沉降和突變沉降。漸變沉降一般指按照一定規(guī)律、一定趨勢(shì)、可預(yù)判的變化數(shù)據(jù)，突變沉降一般指由于各種原因?qū)е伦兓惓o規(guī)律的數(shù)據(jù)。針對(duì)兩種不同的情況，分別采集數(shù)據(jù)，進(jìn)行預(yù)測(cè)。

本文以預(yù)報(bào)數(shù)據(jù)相對(duì)實(shí)測(cè)數(shù)據(jù)的相對(duì)誤差作為評(píng)價(jià)模型精度的標(biāo)準(zhǔn)，相對(duì)誤差的計(jì)算公式[9]為：

相對(duì)誤差=ABS(實(shí)測(cè)值-預(yù)測(cè)值)/ABS(實(shí)測(cè)值)

3.2 漸變沉降預(yù)報(bào)

選取具有代表性的漸變監(jiān)測(cè)點(diǎn)S1、S12的沉降數(shù)據(jù)進(jìn)行預(yù)測(cè)，實(shí)際建模時(shí)，選取前10期的數(shù)據(jù)作為建模依據(jù)，對(duì)后5期數(shù)據(jù)進(jìn)行預(yù)測(cè)。漸變監(jiān)測(cè)點(diǎn)的模型預(yù)報(bào)誤差如表1、表2所示。

從表1～表2中的數(shù)據(jù)可以看出來：Gray模型精度<等維BP模型精度<小生境遺傳BP模型精度。

經(jīng)過小生境遺傳算法優(yōu)化后的等維BP模型，精度得到了大幅度的提高，可以看出：本文研究的小生境遺傳BP模型是一種精度更高，更可靠的預(yù)報(bào)模型，在漸變沉降數(shù)據(jù)預(yù)報(bào)方面有推廣應(yīng)用的潛力。

S1點(diǎn)模型預(yù)報(bào)誤差比較/cm 表1

S12點(diǎn)模型預(yù)報(bào)誤差比較/cm 表2

3.3 突變沉降預(yù)報(bào)

選取具有代表性的漸變監(jiān)測(cè)點(diǎn)DB-5、DB-7的沉降數(shù)據(jù)進(jìn)行預(yù)測(cè)，實(shí)際建模時(shí)，選取前10期的數(shù)據(jù)作為建模依據(jù)，對(duì)第11期和12期數(shù)據(jù)進(jìn)行預(yù)測(cè)。突變監(jiān)測(cè)點(diǎn)的模型預(yù)報(bào)誤差如表3、表4所示。

DB-5點(diǎn)模型預(yù)報(bào)誤差比較/cm 表3

DB-7點(diǎn)模型預(yù)報(bào)誤差比較/cm 表4

從表3～表4中的數(shù)據(jù)可以看出：在突變沉降數(shù)據(jù)的預(yù)測(cè)中，本文研究的小生境遺傳BP模型的預(yù)報(bào)誤差仍然最小，精度相比其他兩種模型仍有較大的提高，是一種更優(yōu)、效果更佳的沉降預(yù)報(bào)方法。

經(jīng)過上面的數(shù)據(jù)分析可以看出：本文研究的小生境遺傳BP模型，不論在漸變沉降數(shù)據(jù)，還是突變沉降數(shù)據(jù)的預(yù)測(cè)中，相比Gray模型、等維BP模型，均能達(dá)到更高的精度，是一種更優(yōu)的數(shù)學(xué)預(yù)報(bào)模型，在實(shí)際的沉降預(yù)報(bào)工作中，有推廣應(yīng)用的潛力。

4 結(jié) 論

本文在文獻(xiàn)[2]提出的等維BP神經(jīng)網(wǎng)絡(luò)模型思想基礎(chǔ)上，進(jìn)一步利用小生境遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)連接權(quán)和閾值，并利用Matlab進(jìn)行程序研發(fā)，最終提出一種新的數(shù)學(xué)模型：小生境等維BP神經(jīng)網(wǎng)絡(luò)。通過工程實(shí)例的建模實(shí)驗(yàn)表明：

(1)在漸變沉降數(shù)據(jù)預(yù)報(bào)方面，本文研究的新數(shù)學(xué)模型精度更高，更可靠，在實(shí)際工作中值得加以推廣應(yīng)用；

(2)在突變沉降領(lǐng)域，本文模型的預(yù)報(bào)誤差仍然最小，相比其他模型方法仍有更佳的應(yīng)用性能。

[1] 李陶深. 人工智能[M]. 重慶：重慶大學(xué)出版社，2002，4～6.[2] 韓紅超，花向紅，胡志剛等. 等維BP神經(jīng)網(wǎng)絡(luò)在沉降預(yù)報(bào)中的應(yīng)用研究[J]. 測(cè)繪工程，2008，17(3)：10～12.

[3] 張永波，崔玉波. 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)城市用水量的等維新息模型[J]. 太原理工大學(xué)學(xué)報(bào)，1999，30(4)：382～384.

[4] 王偉. 人工神經(jīng)網(wǎng)絡(luò)原理(入門與應(yīng)用) [M]. 北京：北京航空航天大學(xué)出版社，1995.

[5] 陳國(guó)良，王煦法，莊鎮(zhèn)泉等. 遺傳算法及其應(yīng)用[M]. 北京：人民郵電出版社，1996.

[6] 玄光男，程潤(rùn)偉. 遺傳算法與工程設(shè)計(jì)[M]. 北京：科學(xué)出版社，2000，1～5.

[7] 王小平，曹立明. 遺傳算法-理論、應(yīng)用與軟件實(shí)現(xiàn)[M]. 西安：西安交通大學(xué)出版社，2002：6～15.

[8] 金菊良，丁晶. 遺傳算法及其在水科學(xué)中的應(yīng)用[M]. 成都：四川大學(xué)出版社，2000，9～21.

[9] 于先文，胡伍生，王繼剛. 神經(jīng)網(wǎng)絡(luò)在建筑物沉降分析中的應(yīng)用[J]. 測(cè)繪工程，2004，13(4)：48～50.

Sedimentation Forecast Based on Niche Genetic Algorithm and Equal Dimensional BP Neural Network

He Kemin

(Mapping Design Academe of Ningbo，Ningbo 315042，China)

The traditional low global optimization BP neural networks，study of defects introduced niche genetic algorithm technology，research niche dimensions is based on BP neural network model using Matlab programming. This model is the core idea of using niche genetic algorithm optimized neural network connection weights and thresholds，thereby increasing dimensions，such as global optimization BP neural network model to improve the convergence of the model. With Ningbo settlement monitoring of a building，niche such as BP neural network，GM(1，1) model，dimension data modeling of BP neural network model for settlement prediction，results show that niche such as BP neural networks model consistent with the actual situation，forecast better results.

Niche；equal dimension；BP neural network；sedimentation forecast

1672-8262(2016)05-132-03

TU196

B

2016—01—10

何科敏(1983—)，男，工程師，主要從事工程測(cè)量、變形監(jiān)測(cè)與預(yù)報(bào)、空間信息處理理論等技術(shù)工作。