bp神经网络在岩土工程上的应用

bp神经网络在岩土工程上的应用bp神经网络在岩土工程上的应用第1页2

BP神经网络介绍

BP神经网络算法

BP神经网络MATLAB实现

目录

实际工程案例分析

结论与提议bp神经网络在岩土工程上的应用第2页3

BP神经网络介绍

神经元解剖图

神经网络基础模型bp神经网络在岩土工程上的应用第3页4

BP（BackPropagation）网络是1986年由Rumelhart和McCelland为首科学家小组提出，是一个按误差逆传输算法训练多层前馈网络，是当前应用最广泛神经网络模型之一。BP网络能学习和存贮大量输入-输出模式映射关系，而无需事前揭示描述这种映射关系数学方程。当前，在人工神经网络实际应用中，决大个别神经网络模型是采取BP网络和它改变形式。BP网络主要用于：

BP神经网络介绍

◆函数迫近◆模式识别◆分类◆数据压缩bp神经网络在岩土工程上的应用第4页5基础BP网络拓扑结构b1bia1c1cqcjahbpan………………Wp1WiqWpjW1qW1jWij11W11WpqWi1Vh1VhiV1iVn1VniV1pVhpVnp输出层LC隐含层LB输入层LAWVbp神经网络在岩土工程上的应用第5页6（1）输入层不计在层数之内，它有个神经元．设网络共有L层；输出层为第L层；第k层有个神经元．假设：(2)设表示第k层第i神经元所接收信息wk(i,j)表示从第k-1层第j个元到第k层第i个元权重，表第k层第i个元输出

BP神经网络算法多层前馈网络

bp神经网络在岩土工程上的应用第6页7（3）设层与层间神经元都有信息交换（不然，可设它们之间权重为零）；但同一层神经元之间无信息传输．(4)设信息传输方向是从输入层到输出层方向；所以称为前向网络．没有反向传输信息．

（5）表示输入第j个分量．

BP神经网络算法bp神经网络在岩土工程上的应用第7页8在上述假定下网络输入输出关系能够表示为：其中表示第k层第i个元阈值.bp神经网络在岩土工程上的应用第8页9输入数据求实际输出与期望输出之间误差误差是否满足要求调整神经网（经过修改权值）否结束开始

BP神经网络算法层与层之间怎样传递：传递函数误差判别公式：性能函数怎样调整权值：训练函数与偏差学习函数三个主要概念是正向传递反向传递bp神经网络在岩土工程上的应用第9页10

BP神经网络MATLAB实现newff创建前向BP网络格式：net=newff(PR,[S1S2...SNl],{TF1TF2...TFNl},BTF,BLF,PF)

其中：PR——R维输入元素R×2阶最大最小值矩阵；

Si——

第i层神经元个数，共N1层；

TFi——

第i层传递函数，默认‘tansig’；

BTF——BP网络训练函数，默认‘trainlm’;BLF——BP权值/偏差学习函数，默认’learngdm’PF——

性能函数，默认‘mse’；（误差）bp神经网络在岩土工程上的应用第10页11（1）purelin——

线性传递函数；（2）tansig——

双曲正切S型（sigmoid）传递函数；（3）logsig——

对数S型（sigmoid）传递函数；1、传递函数：（1）（2）（3）bp神经网络在岩土工程上的应用第11页122、训练函数：trainlm——Levenberg-MarquardtBP算法训练函数；trainbfg——BFGS拟牛顿BP算法训练函数；trainrp

——

含有弹性BP算法训练；traingd

——

梯度下降是BP算法训练;traingda

——

梯度下降自适应lrBP算法训练；traingdm——梯度下降动量BP算法训练；traingdx——梯度下降动量和自适应lrBP算法训练；BP权值偏差/学习函数与性能函数普通取默认值！bp神经网络在岩土工程上的应用第12页13实际工程案例分析

紫金港路位于友好杭州示范区关键区域，南邻西溪国家湿地公园，北接浙江大学新校区，作为区块内主要南北向骨架道路交通地位十分主要。

紫金港隧道工程全长2.65公里，其汉字一西路北侧约0.5公里为地面道路，然后自南向北依次下穿余杭塘河、余杭塘路(规划)、浙大南通道(规划)、俞家河、浙大北通道(拟建)、族滨漾、育英路(规划)、留石快速路，在穿越留石快速路后接地面道路，下穿隧道全长2.16公里。隧道为双向四车道，中间隔断，等级为城市主干道。地下立交三维模型bp神经网络在岩土工程上的应用第13页14R-R挡墙剖面图目标！！！经过历史观察得到R-R挡墙位移数据来预估今后一周挡墙位移实际工程案例分析bp神经网络在岩土工程上的应用第14页15第一步：数据处理，选取9月份（1号~30号）R-R挡墙位移观察值整理成一张excel表第二步：输入、输出层设计输入层：3+1，即经过前两天以当日位移数据（3）来预测明天挡墙位移（1）输出层：输出明天挡墙位移第三步：隐层设计层数：1层神经元：8个（经过调试，8个比很好）采取技术：多步预测技术，时间窗口滚动技术实际工程案例分析bp神经网络在岩土工程上的应用第15页16

MATLAB程序Data=xlsread(‘SepData’);%读入9月份挡墙位移实测值数据P=[];T=[];Step=7;%预测步长选为7fori=1:18P=[P,Data(:,i+1:i+3)'];End%得到输入向量，采取多步预测技术fori=5:22T=[T,Data(:,i)'];End%得到目标向量，即期望输出Pr=minmax(P);%获取输入向量最大最小值net=newff(Pr,[8,1],{‘logsig’,‘purelin’},‘traingd’);%创建BP网络net.trainparam.show=50;%每次循环50次net.trainParam.epochs=6000;%最大循环6000次net.trainParam.lr=0.05;%设置学习速率net.trainparam.goal=0.05;%期望目标误差最小值net=train(net,P,T);%对网络进行重复训练p=Data(:,22:24)';fori=1:Stepp(i+3,:)=sim(net,p(i:i+2,:));End%得到预估值，采取时间窗口滚动技术

采取9月1日~9月20日实测结果作为训练样本，训练BP网络采取9月21、22、23日数据作为样本数据预测9月24~30日挡墙位移值bp神经网络在岩土工程上的应用第16页17

工程实例9月24日实测数据与预估数据对比图bp神经网络在岩土工程上的应用第17页189月30日实测数据与预估数据对比图bp神经