基于小生境等維BP神經網絡的沉降預報

何科敏

(寧波市測繪設計研究院，浙江 寧波 315042)

?

基于小生境等維BP神經網絡的沉降預報

何科敏*

(寧波市測繪設計研究院，浙江 寧波 315042)

針對傳統BP神經網絡全局優化能力低、無法學習的缺陷，引入遺傳算法中的小生境技術，研究了基于小生境等維BP神經網絡模型，同時利用MATLAB進行編程實現。該模型的核心思想是借助小生境遺傳算法優化神經網絡的連接權和閾值，進而提高了等維BP神經網絡模型的全局優化能力，改善了模型的收斂性。結合寧波某大樓沉降監測實例，利用小生境等維BP神經網絡、GM(1，1)模型、等維BP神經網絡模型分別對沉降數據建模預測，結果表明，小生境等維BP神經網絡模型更加符合實際情況、預測效果更佳。

小生境；等維；BP神經網絡；沉降預報

1 引 言

在施工和使用過程中，建筑物的沉降時有發生。當沉降過大或不均勻時，會嚴重威脅到建筑物的安全，為了時刻掌握建筑物的變化情況，對其進行沉降監測并預報變化趨勢具有重要意義。近年來，人工神經網絡得到了廣泛的應用，但是采用神經網絡進行預測一般要求人們對變化的原因有比較詳細的了解，本文充分利用神經網絡的非線性能力，建立預測量與因變量的非線性關系[1]。利用上述模型來預測建筑物測沉降量往往是困難的，因引起沉降的因素錯綜復雜且這些數據往往很難采集，基于此，文獻[2]提出了基于灰色理論等維信息策略的等維BP神經網絡建模思想。

文獻[2]中提出的模型本身仍存在一些固有的缺點，因此本文在文獻[2]的基礎上，提出一種新的想法：利用小生境遺傳算法優化等維BP神經網絡模型的連接權和閾值，構造小生境等維BP網絡模型，同時利用Matlab進行編程實現，結合工程實例分析，以檢驗本文研究方法的精度和效果。

2 小生境等維BP網絡

2.1 等維BP網絡模型[2]

除了意外因素的影響，建筑物的沉降數據中含有一定的變化趨勢，即：后期的數據與前期的數據緊密聯系，往往可從前期數據的數據中挖掘有用信息[3]。模型的訓練樣本就是由其本身構造的，由此建立的網絡預報模型就是等維BP網絡。

假設{xi|(i=1，2，…，p)}為沉降觀測數據序列。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，由網絡學習建立神經網絡模型，網絡訓練好后即可進行沉降預測。每一組輸入對應的輸出都為下一期房屋沉降量，同時輸入序列不斷更新，維數保持相等，即保持輸入向量的維數不變，用這樣的樣本訓練BP網絡，得到的模型稱為等維BP神經網絡預報模型。

等維BP網絡的輸入層神經元個數為n，輸出層神經元個數為1，其網絡結構如圖1所示：

圖1 等維BP神經網絡模型

2.2 小生境等維BP網絡

BP算法簡單、可塑的優點可使其在沉降預測中得到廣泛應用，但其基于梯度下降的本質導致其經常陷入局部最小，學習能力差，全局尋優能力[4]差等缺陷，而人工智能的另一個分支——遺傳算法，其本身強大的尋優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點，將其結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，其尋優搜素往往是隨機的、盲目的，收斂性也不穩定且速度慢，當系統的規模較大時，優化效果具有延時性，往往需要很長時間得到改善。因此本文對標準遺傳算法進行了一定改進，研究了小生境技術的遺傳算法，使其種群多樣性得到保持的同時，對算法的優化能力進行強化，進而算法的收斂性得到改善，計算精度[6]得到一定提高。

本文研究的小生境等維BP網絡是借助小生境遺傳算法優化神經網絡的連接權和閾值，其算法步驟[7]如下：

(1)選定網絡結構和學習規則；

(2)確定編碼方案，初始群體隨機生成，個體由碼鏈表示，其代表了網絡的一種權重分布狀態，一組碼鏈代表一組不同權重值的神經網絡；

(3)計算神經網絡的誤差函數，從而確定遺傳算法所需的適應度函數；

(4)利用基于小生境技術的遺傳算法對選定網絡的連接權值進行遺傳迭代計算，使權值不斷變化，直至滿足訓練目標為止；

(5)輸出網絡的最優權值和閾值；

(6)利用優化后的最優權和閾值進行神經網絡的學習訓練，并利用訓練之后的網絡進行沉降量的預報。

本文利用改進的遺傳算法優化神經網絡的工作流程圖[8]，如圖2所示。

圖2 改進遺傳算法優化神經網絡的算法流程圖

3 實例分析

3.1 工程概括

寧波市某小區于2016年1月15日開始建設，為了監控大樓建設過程的安全狀況，對其進行沉降監測很有必要。在大樓墻角、外墻上每隔 15 m布設監測點。外業按建筑變形監測二級水準要求觀測，觀測頻率為1周一次，總共觀測了15期。為了驗證前文中提出的小生境等維BP神經網絡模型的有效性，分別利用灰色模型、等維BP模型以及本文中提出的模型對建筑物沉降量進行預測并比較預測效果。

實際監測數據通常分為兩種：漸變沉降和突變沉降。漸變沉降一般指按照一定規律、一定趨勢、可預判的變化數據，突變沉降一般指由于各種原因導致變化異常無規律的數據。針對兩種不同的情況，分別采集數據，進行預測。

本文以預報數據相對實測數據的相對誤差作為評價模型精度的標準，相對誤差的計算公式[9]為：

相對誤差=ABS(實測值-預測值)/ABS(實測值)

3.2 漸變沉降預報

選取具有代表性的漸變監測點S1、S12的沉降數據進行預測，實際建模時，選取前10期的數據作為建模依據，對后5期數據進行預測。漸變監測點的模型預報誤差如表1、表2所示。

從表1～表2中的數據可以看出來：Gray模型精度<等維BP模型精度<小生境遺傳BP模型精度。

經過小生境遺傳算法優化后的等維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，更可靠的預報模型，在漸變沉降數據預報方面有推廣應用的潛力。

S1點模型預報誤差比較/cm 表1

S12點模型預報誤差比較/cm 表2

3.3 突變沉降預報

選取具有代表性的漸變監測點DB-5、DB-7的沉降數據進行預測，實際建模時，選取前10期的數據作為建模依據，對第11期和12期數據進行預測。突變監測點的模型預報誤差如表3、表4所示。

DB-5點模型預報誤差比較/cm 表3

DB-7點模型預報誤差比較/cm 表4

從表3～表4中的數據可以看出：在突變沉降數據的預測中，本文研究的小生境遺傳BP模型的預報誤差仍然最小，精度相比其他兩種模型仍有較大的提高，是一種更優、效果更佳的沉降預報方法。

經過上面的數據分析可以看出：本文研究的小生境遺傳BP模型，不論在漸變沉降數據，還是突變沉降數據的預測中，相比Gray模型、等維BP模型，均能達到更高的精度，是一種更優的數學預報模型，在實際的沉降預報工作中，有推廣應用的潛力。

4 結 論

本文在文獻[2]提出的等維BP神經網絡模型思想基礎上，進一步利用小生境遺傳算法優化神經網絡連接權和閾值，并利用Matlab進行程序研發，最終提出一種新的數學模型：小生境等維BP神經網絡。通過工程實例的建模實驗表明：

(1)在漸變沉降數據預報方面，本文研究的新數學模型精度更高，更可靠，在實際工作中值得加以推廣應用；

(2)在突變沉降領域，本文模型的預報誤差仍然最小，相比其他模型方法仍有更佳的應用性能。

[1] 李陶深. 人工智能[M]. 重慶：重慶大學出版社，2002，4～6.[2] 韓紅超，花向紅，胡志剛等. 等維BP神經網絡在沉降預報中的應用研究[J]. 測繪工程，2008，17(3)：10～12.

[3] 張永波，崔玉波. 神經網絡預測城市用水量的等維新息模型[J]. 太原理工大學學報，1999，30(4)：382～384.

[4] 王偉. 人工神經網絡原理(入門與應用) [M]. 北京：北京航空航天大學出版社，1995.

[5] 陳國良，王煦法，莊鎮泉等. 遺傳算法及其應用[M]. 北京：人民郵電出版社，1996.

[6] 玄光男，程潤偉. 遺傳算法與工程設計[M]. 北京：科學出版社，2000，1～5.

[7] 王小平，曹立明. 遺傳算法-理論、應用與軟件實現[M]. 西安：西安交通大學出版社，2002：6～15.

[8] 金菊良，丁晶. 遺傳算法及其在水科學中的應用[M]. 成都：四川大學出版社，2000，9～21.

[9] 于先文，胡伍生，王繼剛. 神經網絡在建筑物沉降分析中的應用[J]. 測繪工程，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，主要從事工程測量、變形監測與預報、空間信息處理理論等技術工作。