基于神經網絡的建筑物穩定性時間預報分析

何群

摘要：利用神經網絡對GNSS數據進行高程異常擬合處理，以地鐵地表沉降二等水準數據為檢測數據，對擬合后的精度進行評定。在神經網絡預測中，神經元的選擇以及訓練函數的確定，對建筑物穩定性評價起到關鍵作用。

Abstract： The neural network is used to fit the elevation anomaly of GNSS data， and the second-level data of subsidence of metro surface is taken as the test data to evaluate the accuracy of fitting. In neural network prediction， the selection of neurons and the determination of training function play a key role in the stability evaluation of buildings.

關鍵詞：神經網絡；建筑物穩定性評價；高程異常擬合

Key words： neural network；evaluation of building stability；abnormal elevation fitting

中圖分類號：TU196+.1 文獻標識碼：A 文章編號：1006-4311（2018）12-0171-02

GNSS定位系統是大數據信息化的一個獲取地球表面信息的重要手段，由于其具備便捷的的操作方式、高等級的測量水準，在大數據時代的生產領域得到充分利用。將GNSS定位技術與局部范圍內地球重力資源、精密水準資源和高分辨率的地形數據資源加以整合，可以解決GNSS定位技術自身無法直接提供準確正常高的弊端，從而精確地獲得局部范圍內高程異常可靠值。

水準正常高主要應用于建筑物施工過程，建筑施工測量中正常高的獲取方法通常是利用水準測量來滿足生產的需要，但由于需要在外業進行長時間的觀測，受外界自然條件影響的因素較多。而GNSS觀測技術已經攻克觀測時受外界條件影響的各項弊端，精確測定正常高成為GNSS定位系統的一項技術難點。

GNSS定位系統的靜態精度已經可以達到0.5毫米以下，相對而言，高程定位精度較低。由于GNSS高程測量系統中的大地高是基于一個相對特定參考橢球，和建筑工程測量中廣泛應用的正常高具有不同的參考基準。如果獲得兩者之間的轉換參數（水準面差距或高程異常），并構建相應的高程系統轉換模型，從而將GNSS定位系統的大地高轉換為水準正常高。

對于建筑物穩定性時間預報系統的構建，需要根據具體的監測項目數據利用神經網絡模型構建適合高程異常轉換的神經網絡BP預測模型。

神經網絡BP預測模型是具有多層神經元的傳統經典神經網絡，正常情況下預測模型可以由輸入層、中間層和輸出層組成。第一階段信號傳播過程如下：前后層間可以實現網絡神經自由連接，而自身層各神經元間是沒有信息溝通的。當學習樣本賦予給神經網絡后，神經元的激活值從前一層經中間層向后一層正向傳播，輸入響應在輸出層各神經元間產生，并完成第一階段信號正向傳播。第二階段信號傳播過程如下：依據產生最小輸出誤差的原則，從最后層經過若干中間層反向傳輸至第一層，并逐層修改各連接權值，即“誤差反向傳播算法”，完成第二階段的信號反向傳播。

從理論上分析建筑物沉降變形監測是GNSS平面坐標（或大地坐標）到高程異常（或正常高）的轉換，利用神經網絡BP模型進行完成GNSS高到水準高的預測，需要構建的BP神經網絡結構應該是A×M×B的結構。

以某地鐵地表監測資料為樣本來源，進行高程異常擬合。根據區間自身風險及環境風險，監測等級采取“就高不就低”的定級原則，綜合判斷，本區間聯絡通道及左右線下穿渾河段監測等級為一級；其它區間段監測等級為二級。為驗證神經網絡BP模型預測的精度滿足地鐵地表沉降觀測的需要，進行如下實驗：

實驗一：

將外業觀測數據選擇6個點作為學習樣本，9個點作為測試數據，BP神經網絡中間層設定12層，網絡目標中誤差0.0001m。分別采用梯度下降法（traingd）、擬牛頓算法（trainbfg）、動量及自適應lr的梯度下降訓練法（traingdx）、Levenberg-Marquardt訓練法（trainlm）進行BP神經網絡擬合模型訓練，實驗結果如表1。通過實驗一可以得出GNSS高程異常神經網絡BP擬合模型的訓練函數最優選擇是traingdx函數。

實驗二：

將外業觀測數據選擇8個點作為學習樣本，7個點作為測試數據，BP神經網絡中間層分別設定為6、8、12、15、18、20層，輸出結果目標中誤差0.0001米。本實驗主要選用traingdx和trainlm作為網絡訓練函數，實驗結果如表2。

結果表明針對GNSS高程異常在建筑變形監測中利用BP神經網絡構建擬合模型，trainlm函數收斂速度最快，traingdx函數訓練精度高。從表2中可以看出，擬合精度提高與網絡神經元的數量多少有一定關系，但并非中間層神經元數量越多代表其擬合精度就越高，具體可見圖1、2所示。

利用神經網絡BP模型對GNSS高程異常進行擬合，選擇什么樣的訓練函數對模型的收斂速率和效率都會有一定的影響。在施工場地變形監測實踐中，需要根據具體的實際工程項目進行多次模擬測試，以便選擇最合適的訓練函數，構建最優的網絡結構，以尋求經典的網絡預測模型。

本項目結論如下：

①通過對GNSS大地高進行變形監測神經網絡BP擬合模型轉換， traingdx訓練函數的 網絡效率最好，trainlm 訓練法收斂速率最高，建筑變形監測應結合的實際工程項目精度需要選擇合理的訓練函數。

②本次網絡試驗測試選擇traingdx函數，中間層確定在16-18層之間，模型擬合精度可以滿足地鐵地表沉降觀測的精度要求。

③實驗結果表明，利用神經網絡構建擬合模型完成GNSS大地高轉換，在訓練好網絡結構模型后，可以得到比傳統數學模型更高的轉換精度。

④目前神經網絡BP擬合模型研究在訓練樣本數量等方面沒有明確的規定，但在本項目實驗過程中發現訓練樣本對于提升網絡的學習能力和泛化能力有很重要的影響。建筑物變形監測中當訓練樣本的數量和質量涵蓋所要監測項目的全部特征，利用神經網絡模型制定自身合理的學習方式，完成擬合模型對問題的描述。

⑤神經網絡BP擬合模型的精度不僅與施工場地的似大地水準面有關，還與GNSS已知點點位和數量有關。如果已知點與似大地水準面的特征點重合度較大，則模型擬合效果就接近實際情況。如何布設GNSS已知點，是進行高程異常轉換的關鍵問題之一。

參考文獻：

[1]李建成.最新中國陸地數字高程基準模型.重力似大地水準面CNGG2011[J].測繪學報，2012（05）.

[2]譚立萍，等.三層模型的BP網絡在GNSS高程擬合中的應用研究[J].測繪通報，2018（08）.

[3]朱寶訓，楊波，王曉靜，高寧.基于加權最小二乘的GNSS高程擬合模型分析[J].人民長江，2015（03）.

[4]占偉，黃立人，劉志廣，孟憲綱.數據缺失對GNSS時間序列分析的影響[J].大地測量與地球動力學，2013（02）.