《BP神经网络在岩土工程上的应.ppt》由会员分享，可在线阅读，更多相关《BP神经网络在岩土工程上的应.ppt（20页珍藏版）》请在三一办公上搜索。
1、1,同济大学地下系 顾剑波 1332719,BP神经网络在岩土工程上的应用,2,BP神经网络简介,BP神经网络算法,BP神经网络的MATLAB实现,目 录,实际工程案例分析,结论与建议,3,BP神经网络简介,神经元的解剖图,神经网络基本模型,4,BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。目前，在人工神经网络的实际应用中，决大部分的神经网络模型是采用BP
2、网络和它的变化形式。BP网络主要用于：,BP神经网络简介,函数逼近 模式识别 分类 数据压缩,5,基本BP网络的拓扑结构,b1,bi,a1,c1,cq,cj,ah,bp,an,Wp1,Wiq,Wpj,W1q,W1j,Wij,11,W11,Wpq,Wi1,Vh1,Vhi,V1i,Vn1,Vni,V1p,Vhp,Vnp,输出层LC,隐含层LB,输入层LA,W,V,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：,wk(i,j)表示从第k-1层第j个元到第k层第i个元的权重，,表第k层第i个元的输出,BP神经网络算法,多层前馈网络,7,（3
3、）设层与层间的神经元都有信息交换（否则，可设它们之间的权重为零）；但同一层的神经元之间无信息传输,(4)设信息传输的方向是从输入层到输出层方向；因此称为前向网络没有反向传播信息,（5）表示输入的第j个分量,BP神经网络算法,8,在上述假定下网络的输入输出关系可以表示为：,其中 表示第k层第i个元的阈值.,9,输入数据,求实际输出与期望输出之间的误差,误差是否满足要求,调整神经网（通过修改权值）,否,结束,开始,BP神经网络算法,层与层之间如何传递：传递函数,误差的判别公式：性能函数,如何调整权值：训练函数与偏差学习函数,三个重要概念,是,正向传递,反向传递,10,BP神经网络的MATLAB实现
4、,newff 创建前向BP网络格式：net=newff(PR,S1 S2.SNl,TF1 TF2.TFNl,BTF,BLF,PF),其中：PR R维输入元素的R2阶最大最小值矩阵；Si 第i层神经元的个数，共N1层；TFi 第i层的传递函数，默认tansig；BTF BP网络的训练函数，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）,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）,
5、12,2、训练函数：,trainlm Levenberg-Marquardt的BP算法训练函数；trainbfg BFGS拟牛顿BP算法训练函数；trainrp 具有弹性的BP算法训练；traingd 梯度下降是BP算法训练;traingda 梯度下降自适应lr的BP算法训练；traingdm 梯度下降动量的BP算法训练；traingdx 梯度下降动量和自适应lr的BP算法训练；,BP权值偏差/学习函数与性能函数一般取默认值！,13,实际工程案例分析,紫金港路位于和谐杭州示范区的核心区域，南邻西溪国家湿地公园，北接浙江大学新校区，作为区块内主要的南北向骨架道路交通地位十分重要。,紫金港隧道工程
6、全长2.65公里，其中文一西路北侧约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,14,R-R挡墙剖面图,目标！通过历史观测得到的R-R挡墙位移数据来预估今后一周的挡墙位移,实际工程案例分析,15,第一步：数据处理，选取9月份（1号30号）R-R挡墙的位移观测值整理成一张excel表,第二步：输入、输出层设计输入层：3+1，即通过前两天以当天位移数据（3）来预测明天挡
7、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个比较好）,采用技术：多步预测技术，时间窗口滚动技术,实际工程案例分析,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7for i=1:18 P=P,Data(:,i+1:i+3);End%得到输入向量，采用多步预测技术for i=5:22 T=T,Data(:,i);End%得到目标向量，即期望输出Pr=minmax(P);%获取输入向量的最大最小值net=newff(Pr,8,1,logsig,purelin,
8、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);%对网络进行反复训练p=Data(:,22:24);for i=1:Step p(i+3,:)=sim(net,p(i:i+2,:);End%得到预估值，采用时间窗口滚动技术,采用9月1日9月20日的实测结果作为训练样本，训练BP网络,采用9月21、22、23日数据作为样本数据,预测9月2430日挡墙位移值,17,工程实例,9月24日实测数据与预估数据对比图,18,9月30日实测数据与预估数据对比图,19,结论与建议,控制精度的几个因素：1、隐层数目2、每个隐层神经元个数3、迭代次数,加快收敛的方法对数据进行预处理1、归一化：将每组数据都变为-1至1之间的数2、正交化：将数据进行正交处理，减少输入数据的处理3、标准化：将每组数据变换为均值为0，方差为1的数,20,谢 谢！,
