基于BP神经网络在坝体水平位移预测中的研究
神经网络组合模型在大坝位移预测中的应用
借鉴粒子群 优化神经 网络算法 既具有神经 网
络 的非 线性 映射 等 特 点 ， 又具 有 粒 子 群 算 法 的全 局
收敛 的优势 ， 因此 ， 本 文 利 用 粒 子 群 优 化 神 经 网络
算 法来 求解 式 （ ３ ） 。
大坝位移的组合预测 的思路如下 ：
假设 分 别采 用 ｋ种预测 方法 用 于大 坝位移 量 的 预测中， 而在 某 时段 ｔ 的预 测 值分 别 记 为 （ ｉ＝ １ ， ２ ， …， ｋ ）， 实际值 为 Ｙ 。将 这 个 预 测 值 作 为 组 合
为 预测误 差 。
按 照误差 平 方 和最 小 的思 路 ， 来 拟合 ｋ种 预 测
型而言具有较强优 势 Ｊ 。因此 ， 采用 Ｇ Ｍ（ １ ， １ ） 模
型， 回归 分 析 法 作 为 大 坝 位 移 量 的单 一 预 测 模 型 ，
方法与组合模型之间的非线性关系 ， 即：
ｎ 一
⑥
２ ０ １ ３ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ ｇ ．
神经 网络组合模 型在大坝位移预测 中的应用
华 静 艾 莉 程加 堂
（ 红河学院工学院 ， 蒙 自６ ６ １ １ ９ ９ ）
摘
要 为 了提高大坝位移量预测 的精度 ， 引入 了粒子群优化神 经网络的组合预 测方法。该 组合预 测方法以灰 色 Ｇ Ｍ（ １ ， １ ） 、
一 ）
（ １ ）
∑（ 一 ｙ ）
＝ ｌ
（ ２ ）
预测模型 ， 由于较难综合考虑大坝位移 的多个影响
因素 ， 使 得 其 预 测 精 度 还 存 在 进 一 步 提 高 的空 间 。 相 关研 究表 明 ， 组 合模 型 的 预测 效 果 较 单 一 预测 模
MEA-BP神经网络在大坝变形预测应用
MEA-BP神经网络在大坝变形预测应用
朱毅;莫勇
【期刊名称】《北京测绘》
【年(卷),期】2017(0)3
【摘要】针对BP神经网络预测极易陷入局部最优解,利用思维进化算法优化BP 神经网络的初始权值和阈值,提出基于思维进化法优化BP神经网络(MEA-BP)大坝变形预测模型.通过算例验证,并与BP神经网络、GA-BP神经网络对比分析表明,该模型能够克服多数进化算法问题及缺陷,同时避免遗传算法中交叉和变异算子双重性,提高算法的整体搜索效率,在一定程度上保证较优的局部预测值和较好的全局预测精度,具备快速收敛能力,验证了提出的MEA-BP神经网络预测模型在大坝变形预测中的可行性和实用性.
【总页数】5页(P75-78,91)
【作者】朱毅;莫勇
【作者单位】桂林市临桂区国土资源局,广西桂林541199;荔浦县国土资源局,广西荔浦546600
【正文语种】中文
【中图分类】P258
【相关文献】
1.神经网络模型在大坝变形预测中的应用研究 [J], 郭洪涛;李鑫龙;唐昌文
2.基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用 [J], 沈哲辉;黄
腾;葛文;孟庆年
3.小波和混沌神经网络在大坝变形预测中的应用 [J], 康传利; 陈洋; 张临炜; 时满星; 顾峻峰
4.ACO-BP神经网络模型在大坝变形区间预测的应用研究 [J], 周学雷
5.NARX神经网络在大坝变形预测中的应用 [J], 范哲南;刘小生
因版权原因，仅展示原文概要，查看原文内容请购买。
LM-BP神经网络在大坝变形预测中的应用
２ Ｓ ｈ ｏ ｆ Ｉ ｆ ｒ ｔ ｎ Ｅ ｇ ｎ ｅ ｉ ｇ， ｌ ｎ Ｆ ｓ ｅ ｙ Ｕｎ ｖ ｒ ｉ Ｄａ ｉｎ， Ｌｉｏ ｉ ｇ １ ０ ３ Ｃ ｉ ａ ． ｃ ｏ ｌ ｏ ｎ ｏ ｍａ ｉ ｎ ｉ ｅ ｒｎ Ｄａｉ ｉｈ ｒ ｉ ｅ ｓｔ ｏ ａ ｙ， ｌ ａ ａ ｎ ｎ １ ６ ２ ， ｈ ｎ
摘
要 ： 了对 大坝进行切 实有效 的监控 ， 为 需要建立一 个 良好 的大坝预 测模 型。针对传统 Ｂ （ ｃ－ｒｐ ｇ ｔ ｎ ￣ Ｐ ＢａｋＰｏ ａ ａ ｏ ） ． ｉ
网络存在 的
收敛速度慢 和泛化 能力弱等缺 陷 ， 利用 Ｌ Ｂ （ ｅｅｂ ｒ ｒｕ ｒｔＢａｋ Ｐｏ ａａｉｎ 算 法对 大坝 变形 进行预测 ， Ｍ． Ｐ Ｌ ｖ ｎ ｅｇ Ｍａｑ ａｄ ｃ ｒｐ ｇｔ ） ｏ 并根据丹 江
ｔｎｌ ｉ ａ ｏ ＢＰ ｎ ｕ ａ ｅ ｏ ｋ 】ｅ ｉ ｈ ｌ ｗｎ ｓ ｎ ｔ ｅ ｏ ｖ ｒ： ｃ ａｅ ａ ｄ ｔ ｅ ｗｅ ｋ ｅ ｓ ｉ ｅ ｅ ｅ ａ ｉ ａｉ ｎ ａ ｆ ｉ ． ｓ ｄ ｏ ｅ ｒ ｌ ｎ ｔ ｒ Ｊ ｎ ｔ ｅ ｓｏ ｅ ｓ ｉ ｈ ｃ ｎ ｅ ｇ ｎ ｅ ｒ ｔ ｎ ａ ｎ ｓ ｔ ｇ ｎ ｒ ｌ ｔｏ ｂ ｌ ｙＢａ ｅ ｎ ｗ ｅ ￣ ｈ ｎ ｈ ｚ ｉｔ ｒ
Ｅ． ｉ ｍｉ ｘ ｙｎ ＠ ｄｆ． ｕ ｎ － ｌ ａ ｉ ｉｇ ｌ ｅ ． ｍａ ： ｏ ｎ ｕｄｃ
ＭＩ ＡＯ Ｘｉ ｙ ｎ ， ｎ ｉ ｇ ＣＨＵ Ｊ ｎ ｕ ， ｉ ｋ ｉ ＤＵ ａ ｗｅ ． ｐ ｉ ａ ｏ ｏ Ｘｉ ｏ ｎ Ａｐ ｌ ｔ ｎ ｆ ＬＭ — ｎ ｕ ａ ｎ ｔ ｒ ｎ ｒ ｄ ｃ ｎ ａ ｃｉ ＢＰ ｅ ｒ ｌ ｅ ｗｏ ｋ ｉ ｐ ｅ ｉ ｔ ｇ ｄ ｍ ｄ ｆ ｒ ａ ｏ Ｃ ｏ ． ｉ ｅｏ ｍ ｔ ｎ ｉ ｍ ．
改进的BP神经网络在坝肩滑坡体位移监测中的应用
生 频 率 高 、分 布 地 域 广 、运 动 速 度 快 以 及 灾 害 造 成
损 失 严 重 等 特 点 …。 所 以 ， 对 大 坝 坝 肩 滑 坡 体 位 移 变
ｐ ｅ ． ｈ ｒ ｄ ｃｉ ｅ ｖ ｌ ｅ ｆｍｏ ｅ ｅ ｉ ｈ ｃｕ ｌｍｅ ｓ ｒ ｄ ｖ ｌ ｅ ，ａ ｄ ｓ ｏ ｈ ｔｔ ｅ ｍｏ ｅ ｓ ａ ｆ ｃ ｉｅ ｗａ ｒ ｉｓ Ｔ ｅ ｐ ｅ ｉｔ ａ ｕ ｓ ｏ ｄ ｌｍｅ ｔｗ ｔ ｔ ｅ ａ ｔ ａ ａ ｕ ｅ ａｕ ｓ ｎ ｈ ｗ ｔ ａ ｈ ｄ ｌｉ ｎ ｅｆ ｔ ｙ ｆ ｖ ｈ ｅ ｖ ｏ
ｄｉｐｌｃ ｍ ｅ ｔａ ｌｓｓ ｓ ａ ｅ ｎ ｎａｙ ｉ． Ｋ ｅ ｏｒ ｓ ａ ｄｓｉｅ；ｎ ｕｒｌｎ ｔ ｒ ｙＷ ｄ ：ｌ ｎ ｌｄ ｅ ａ ｅｗｏ ｋ；ＬＭ ｌ ｏ ｉｈ ａｇ ｒｔ ｍ
中 图分 类号 ： Ｕ ５ Ｔ ４７
文 献 标 识 码 ： Ａ
文 章 编 号 ： ５ ９ ９ ４ （０ ０ ０ — ０ ９ ０ ０ ５ — ３ ２ ２ １ ）４ ０ ８ — ３
２ 河 海 大学水 文水 资源 与 水利 工程 科 学 国家 重 点实验 室，江 苏 南 京 ２ ０ ９ ） ． １ ０ ８
摘 要 ：Ｌ 算 法 很 好 地 解 决 了 Ｂ Ｍ Ｐ算法 训练 代 数 大 ，训 练 误 差 大 ，易 陷 于 局 部 最 小 等 问题 ， 为 坝 肩 滑 坡 体 位 移 数 据
Ａ ｓｒｃ： ｅｅ ｂｒ — ｒｕ ｒ（Ｍ ｌ ｒｈ ａ ｌ ｎｔ ｔｅｄｆｃ ｆ ｌｓｉ Ｂ ｌｏ ｔｍ， ｕ ｈａ ｒｅ ｕ ｂｒｏ ｂ ｔａｔ Ｌｖｎ ｅｇ Ｍａｑ ａｔ ）ａ ｏｉ ｍ ｃｎ ｅｍｉａ ｅ ｔ ｏ ａｓ Ｐ ａ ｒｈ ｓｃ ｓｌ ｇｒｎ ｍ ｅ ｆ Ｌ ｇ ｔ ｉ ｅｈ ｅｓ ｃ ｃ ｇｉ ａ
改进的BP神经网络在大坝变形监测中的应用
文章编号:1672-8262(2009)03-112-04 中图分类号:T V698111 文献标识码:B 改进的BP 神经网络在大坝变形监测中的应用杨刚13,曾凡祥23 收稿日期:2008—06—24作者简介:杨刚(1982—),男,助理工程师,主要从事工程测量工作。
(11芜湖市勘测设计研究院,安徽芜湖241000; 21广州海洋地质调查局,广东广州 510760)摘 要:BP 算法能够为大坝的变形预报提供较好的预测值,且具有较高的精度。
依据BP 算法的特性,提出了通过添加学习速率自适应与附加动量项的方法来提高BP 算法的运算速度;并对此改进策略进行了试验论证。
关键词:神经网络;BP 神经网络;变形监测1 引 言作为一种新兴的、功能强大的信息处理方法,与传统信息处理方法相比,神经网络的最大优点是避免了知识表达的具体形式,不必像统计模型那样要求一定的前提假设和事先的确定因子,而且在理论上可实现任意函数的逼近。
此外,神经网络所反映的函数关系不必用显式的函数表达式表示,而是通过调整网络本身的权值和阈值来适应,具有很强的非线性映射能力[1,2]。
目前,BP 神经网络研究已在大坝的变形监控应用方面取得了一定的成果,但同时我们还应看到,标准的BP 神经网络仍具有训练速度慢的特点[3,4,5],本文对BP 算法进行了改进,将其运用到大坝变形监测中,分析改进后的BP 算法性能,并与改进前的BP 算法进行了比较分析。
2 BP 神经网络原理BP 算法的主要思想是把学习分为两个阶段[1]: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(反向过程),若在输出层未得到期望的输出值,则逐层递归地计算实际输出与期望输出之差(即误差),以便根据此差调节权值,具体些说,就是可对每一个权重计算接收单元的误差值与发送单元的激活值的积。
权重的实际改变可由权重误差微商一个模式一个模式地计算出来,即他们可在这组模式集上进行累加。
基于神经网络的大坝位移模型分析
第19卷第2期 测 绘 工 程 Vol.19№.22010年4月 EN GIN EERIN G O F SU RV EYIN G AND MA PP IN G Apr.,2010基于神经网络的大坝位移模型分析李美娟,胡伍生(东南大学,江苏南京210096)摘 要:结合某大坝工程实测数据,建立该大坝位移量和相关因子的逐步回归模型和神经网络模型,并对两者模型结果进行比较,结果表明神经网络方法在大坝变形分析和预报方面效果良好。
关键词:大坝;监控模型;神经网络中图分类号:TV698.1 文献标志码:A 文章编号:100627949(2010)022*******Resear ch on the dam displacement model ba sed on BP N eural net w or kL I Mei 2juan ,HU Wu 2sheng(Southea st Univer sit y ,Nanjing 210096,China)Abstract :The st epwi se regression model a nd B P Ne ural net wor k model are i nt roduced ,and t hen a st epwi se regression mo del and a B P Ne ural net wor k model are buil t wit h dam di splaceme nt a nd correlat ed factors on t he basi s of monitoring data of a dam.A compari so n shows t hat t he B P Neural net wor k model i s bet ter.K ey w or ds :dam ;moni tori ng model ;Neural net work 收稿日期262基金项目国家63计划资助项目(Z )作者简介李美娟(6),女,硕士研究生 20世纪30年代以来国际上相继发生了Vajont (意)、Malpa sset (法)、Teton (美)等著名的垮坝事件。
Matlab仿真大坝位移BP神经网络模型研究
文 章 选 取 辽 宁 省 白石 水 库 １ ９号 坝 段 的坝 顶 水 平位 移 作 为建 模 对 象 ， 全 部 观 测 数据 作 为 样 本 ，
并将观测数据分 为两个样本组 ：一组数据作 为拟
合样本 ， 用来建 立 网络 模 型 ； 另 一 组数 据 为 对 比样
本， 用来与网络模型的预报值作 比较分析 ， 检验 网 络模 型的预测、 预报能力。
２ ０ １ ４ 年第 ２ 期
【 文章编号 ］ １ Ｏ ０ ２ —０ ６ ２ ４ （ ２ ０ １ ４ ） Ｏ ２ 一ｏ ０ ５ ３ —０ ２
东北水利水电
水生态环境
Ｍａ ｄ ａ ｂ 仿真大坝位移 Ｂ Ｐ 神经网络模型研究
张 效
（ 辽宁省水利厅 ， 辽宁 沈 阳 １ １ ０ ０ ０ ０ ）
［ ２ ］ 覃光 华 ， 李 祚泳． Ｂ Ｐ网络过 拟合 问题 研究及应用 ［ Ｔ ］ ． 武
汉 大学学报 ， ２ ０ ０ ６ ， ３ ９ （ ６ ） ： ５ — ５ ８ ．
选 取坝体 变形数学模 型 的全部 １ ０ 个 因子作 为网络输入 ， 坝顶位移作为 网络输出 ， 即网络输入
层节 点数为 １ ０ ， 输 出层节点数为 １ 。
・
５ ３ ・
水生态环境
东北水利水 电
２ ０ １ ４ 年第 ２ 期
三个分量【 ３ 】 。通过坝工工程 力学推导 ， 水压位移分 量分别与坝前水深 Ｈ 的一次幂 、 二次幂 、 三次幂呈 线性关系。温度位移是 由于坝体和坝基温度变化 引起 的大坝位移 ，以坝体 、坝基温度作为变量 因
传算法、 蚁群算法、 粒 子 群 算 法 等 也 不 断 被 引 入 和
应用。
误差反 向传播算法 ，由信息的正向传播和 误
改进的神经网络模型在大坝安全监测预报中的应用
改进的神经网络模型在大坝安全监测预报中的应用导言近年来，随着大坝建设的不断增加，大坝安全监测和预报的重要性日益凸显。
传统的大坝监测方法往往依赖于人工观测和传感器技术，但这些方法存在着数据收集和处理效率低、预测精度不高等问题。
为了提高大坝安全监测的效果，我们提出了一种基于改进的神经网络模型的方法，该方法通过建立一个准确预测大坝安全状况的模型来提高监测和预测的准确性。
背景大坝在水利工程中起着至关重要的作用，然而，大坝在使用过程中面临着各种风险，如裂缝、变形、渗流等。
为了确保大坝的安全运行，及时监测和预测大坝的安全状况就显得尤为重要。
传统的大坝安全监测方法往往依赖于人工观测和传感器技术。
然而，这些方法存在着数据收集和处理效率低、预测精度不高等问题。
方法为了解决传统大坝监测方法存在的问题，我们提出了一种基于改进的神经网络模型的方法。
该方法包括以下几个步骤：1.数据收集和预处理：首先，我们收集大量与大坝安全相关的数据，如大坝的渗流情况、变形情况等。
然后，对数据进行预处理，包括数据清洗、去噪和标准化等步骤，以确保数据的准确性和一致性。
2.特征提取：在数据预处理完成后，我们需要从原始数据中提取有用的特征。
常用的特征提取方法包括主成分分析（PCA）、小波变换等。
通过特征提取，我们可以将原始数据转化为具有更好表达能力的特征向量。
3.模型训练：在特征提取完成后，我们可以使用改进的神经网络模型进行训练和优化。
该模型采用了多层感知机（Multilayer Perceptron，MLP）结构，并引入了改进的激活函数和优化算法，以提高其拟合能力和泛化能力。
4.模型评估和预测：训练完成后，我们可以使用测试数据对模型进行评估。
评估指标包括均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）等。
根据评估结果，我们可以判断模型的预测精度，并使用该模型进行大坝安全状况的预测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第 ５期
２ １ ２月 ０ １年
科
学
技
术
与
工
程
⑥
Ｖ０ ＿１ Ｎｏ ５ Ｆｅ ．２ １ １ １ ． ｂ ０１
１７ — １１ ２ １ ） — １２０ ６ １ ８ ５（ ０ １ ５ １０ ． ３
Ｓ ｉｎ ｅ Ｔ ｃ ｎ ｌ ｇ ｎ ｎ ｉｅ ｒ ｇ ｃｅ ｃ ｅ ｈ ｏ ｏ ｙ ａ ｄ Ｅ ｇｎ ｅ ｉ ｎ
一
－
● ＇ ● －
围之 间选取 ， 各 种 隐层 数 的情 况 ， 别 进 行 网络 对 分
０
仿 真 ， 据 预 测 值 与 实 测 值 逼 近 程 度 ， 出 最 佳 的 根 得
隐层 数 目。 同样 对 几 种 不 同 的 学 习 速 率 也 进 行 网
络仿 真 ， 到 最佳 的学 习速 率 。 因为 学 习速 率 过 高 得
大 型软件 计算 而 节 约成 本 。将 实 测 值 、 测 值 和计 预 算 值三 者结合 起来 ， 监测 大坝 的安 全运行 。 本文 讨论 ＭＡ Ｌ Ｂ软 件 中 Ｂ ＴＡ Ｐ神经 网络 功 能在
２ Ｂ Ｐ网络 预 测 模 型
Ｂ Ｐ网络模 型一 般 由 由输 入层 、 隐含 层 和输 出层
组成。
坝 体位移 方 面的预 测 。
输 入量选 择 对 输 出影 响 大 且 能 够 检 测 或 提 取
的变量 ， 大 坝 中选 择 对 坝 体 位 移 影 响 显 著 的 因 在
２１ ０ ０年 １ １月 ３ 日收 到 ０
素， 如上 下游水 位 、 度 和 时效 等 因素 ， 个 数 即为 温 其
１ ４０ ｌ ２０ １ ００
Ｎ ＝厕 ２
＋
（） １
’
—
●一
’
Ｔ —１ —● 一
，
超
８ ０
－＿ — ● 一 Ｊ Ｐ＾ ● ｌ — 一 ． — 一 － — ＾ － ●
一
取 １～１ 根 据式 （ ） 知 隐层 数 目在 一定 范 ０， １可
Ｈ ４ ● －— ●＿ ．Ｈ － 一ｔ —Ｉ １ －１
２ １ Ｓ ｉ ｅｈ Ｅ ｇｇ ０ ｃ Ｔ ｃ ． ｎ ｎ． １ ．
基于 Ｂ Ｐ神 经 网络 在 坝体 水 平 位 移 预测 中 的研 究
位 向 飞 程 赫 明 胡 兴 国
（ 明理 工 大 学建 筑 工 程 学 院 ， 明 ６０ ９ ） 昆 昆 ５０ ３
摘
要
利用大型软件 ＭＡ Ｌ Ｂ 中Ｂ ＴＡ Ｐ神经 网络对坝体位移进行预测。利用 大坝正 常运作 时的观测数据 ， 训练 Ｂ Ｐ网络 ， 它 用
通过 Ａ Ｓ Ｓ Ｆ Ｕ Ｎ Ｎ Ｙ ，Ｌ Ｅ Ｔ等 大型有 限元 软件 ， 对坝
在 预测 、 价 、 评 自动 控 制 和 模 式 识 别 等Байду номын сангаас方 面 取 得 了
良好 的应用效果 Ｊ 。
体 建模并 计算 得到 位移值 。若 建模 的计 算值 、 Ｐ网 Ｂ 络 的预测 值 和引 张线 的实测 值 相 接 近 ， 时 大坝 运 此
Ｂ Ｐ神经 网络 的基 本 思 想 是 调 节 网 络 的权 值 和 阈值 ， 网络输 出层 的 输 出平 方 和 最 小 ， 是 输 出 使 就 值 尽量 接近期 望值 。
行 正常 。实测 值 和预 测 值 相差 较 大 的话 ， 就需 要 用 计 算值来 验证 哪个 值 可 靠 一些 ， 这样 可 以减 少利 用
输 入层 神经元 个 数 Ⅳ１ 。输 出量 一 般代 表 神经 网络
第一作者简介 ： 向飞 （ ９６ 位 １ ８ ～）， 河南洛 阳人 ， 硕士 ， 研究 方 向： 工
程力学。
要 实现 的功 能 目标 ， 预 测 坝 体 的水 平 位 移 ， 个 即 其
５期
位 向飞 ， ： 于 Ｂ 等 基 Ｐ神经 网络在坝体水平位移 预测 中的研究
对坝体水平位移进行 有效预测 ， 以辅助判 断实测值正确 与否。这 要 比运用 Ａ Ｓ Ｓ等大型有 限元软 件对坝体建模 计算得 出 可 ＮＹ 位移值方便 ， 同时根据预测 的位移值及其变化情况监测大坝的健康 运作与否。 关键词 神经 网络 位 移 预测 大坝
中 图法分类号
Ｔ １３ Ｔ ６８ １ ； Ｐ ８ Ｖ ９ ． １
会 导致学 习过程 的不 稳 定 ， 习 速 率 过低 会 导 致 训 学 练过 程消 耗 时 间过 长 。应 选 择 较 大 的 训 练 次 数 ， 如 果 学 习训 练次 数低 可 能导致 训 练不 够 。
要， 与上 下 游水 位 关 系 密 切 ， 随 上 下 游 水 位 变 化 并
而 改变 。
其能模 拟人 的大 脑 活 动 ， 有 极 强 的 非 线 性 逼 近 、 具
自训练 学 习 、 自组 织 和 容 错 能 力 ， 此 得 到 了广 泛 因
的应用 。Ｂ Ｐ神经 网络 除 了应 用 于非线 性逼 近外 ， 还
文献 标志码
Ａ
为 了监 测大 坝 的实 际 工作 状 况 ， 效 地 了解 大 有 坝安全 状态 ， 时 发 现 大 坝 可 能存 在 的 各 种 隐患 ， 及 必 须对 大坝进 行变 形 、 流 、 渗 温度 、 力 应 变 等项 目 应 的监测 。其 中 ， 移 是 变 形 监 测 的 主要 项 目 ， 是 位 也 监 测大 坝 运 行 工 况 的 主 要 监 测 量 之 一 … 。变 形 是 在 ＭＡ Ｌ Ｂ软件 神经 网络 工具箱 中的 Ｂ ＴＡ Ｐ神经
网络 ， 是 目前 应 用最 为 广 泛 和 成熟 的神 经 网络之 它
一
１ Ｂ Ｐ神经网络 简介
反 映大 坝物 理力学 状 态 的一种 指 标 ， 反 映 出 坝体 能
，
１８ ９ ６年 由 Ｒ ｍ ｌａ ｔ Ｍｃ ｌ ｌ ｕ ｅｈｎ 和 Ｃｅ ａ ｌ ｎ提 出的 』 。因
刚度和整体 性能。水平位移 在各种变形 中尤为重
１０ １３
数 即为输 出层 神经 元 个 数 。 隐层 数 目的 选 择 关 系到 网络训 练 的精 度 ， 据 Ｂ 根 Ｐ网 络 隐层 节 点设 计
的经验 公式 ， 隐层 节 点数 Ⅳ２ 取 为 ： 可
位 的观测 值 为期 望 响应 ， 个 时 间段 的数 据见 图 各
１与 图 ２ 。