基于BP神经网络的变形检测预报分析

【摘 要】为解决神经网络在沉降预报应用中的局限性，结合灰色理论等维信息策略和BP神经网络建模思想，利用数据序列本身构建训练样本，建立BP神经网络预报模型，并利用数学工具MATLAB编程实现，进行模拟的变形预测，通过与灰色理论GM(1，1)模型的预报效果进行比较，表明该BP神经网络模型具有更高的预报精度，可以达到更好的预报效果。

【关键词】BP神经网络；变形检测；沉降预报最佳值为7；输入层和隐层的传递函数(Tfi)用缺省的正切S形函数(tansig)，输出层用线形函数(purelin)；网络训练函数(BTF)使用动量批梯度下降函数(traingdm)，它具有更快的收敛速度，而且引入了一个动量项mc，避免了局部最小问题的出现；网络权值、阈值学习函数(BLF)和性能函数(PF)采用MATLAB缺省值；对输入数据、目标数据、输出数据的处理，使用MATLAB提供的归一化函数(premnmx)和反归一化函数(postmnmx)。运行程序时先用训练样本对网络进行训练，然后利用训练好的网络对预报样本进行预报。灰色理论GM(1，1)模型同样利用MATLAB编程实现。

2.3结果分析

首先用MATLAB编写的灰色理论GM（1，1）模型和BP神经网络模型分别处理训练样本，得到相应的拟合误差。其中GM（1,1）相对模型拟合误差主要为18.97、4.48、9.07、33.71、7.63、4.08、9.50等，等维BP网络模型拟合误差主要为6.66、0.97、0.29、6.16、2.06、4.44.并且通过之前得到的模拟数据可以得出BP神经网络模型拟合的平均误差以及GM(1，1)模型拟合的平均误差为11.82%。BP神经网络模型拟合的误差小于GM(1，1)模型拟合的误差为3.10%，其拟合精度高于灰色理论GM(1，1)模型。为了进一步检测灰色理论GM(1，1)模型和BP神经网络模型的预报精度，再分别用两种模型对监测点的沉降数据的预报样本进行预报，并可从中得出BP神经网络模型的预报精度远高于灰色GM(1，1)模型的结果。

三、结论

本文引入灰色理论中新陈代谢思想构造神经网络的学习样本，建立BP神经网络预测模型，并用该模型进行了实际的沉降预测。工程模拟实例表明：用等维BP神经网络模型进行沉降预测是可行的，预报精度远高于灰色GM(1，1)模型。为了提高BP神经网络模型的预测精度，一方面需要有足够的观测数据序列，以保证神经网络学习所需的样本数。另一方面需要恰当地确定输入层神经元的个数，目前尚无据可依，只能通过根据试算确定。

参考文献

[1] 赵全.地面沉降数学模拟及其应用的研究[D].天津： 天津大学，2011.

[2] 于先文，胡伍生，王继刚.神经网络在建筑物沉降分析中的应用[J].测绘工程，2010，13(4)：48-50.