滑坡監(jiān)測內(nèi)容主要分為兩部分:位移監(jiān)測和裂縫監(jiān)測。近年來,國內(nèi)外專家致力于滑坡位移監(jiān)測的研究,發(fā)現(xiàn)滑坡位移受地層巖性、降雨量、地下水位、地震及人工活動(dòng)等多種因素的影響,滑坡一旦發(fā)生,將給人類生活和生產(chǎn)帶來不可估量的損失,因此滑坡預(yù)測預(yù)報(bào)研究具有十分重要的意義。目前,滑坡位移預(yù)測預(yù)報(bào)模型眾多,單一的預(yù)測模型存在運(yùn)算速度慢、預(yù)測精度低等缺點(diǎn),且預(yù)測結(jié)果不穩(wěn)定,可靠性差。BP神經(jīng)網(wǎng)絡(luò)作為一種仿造人腦特性的網(wǎng)絡(luò)系統(tǒng),具有強(qiáng)大的非線性映射能力,常被應(yīng)用在滑坡位移預(yù)測中,但單一的神經(jīng)網(wǎng)絡(luò)模型存在隱含層難以確定、收斂速度慢等缺點(diǎn),預(yù)測精度并不理想,針對(duì)以上缺陷,論文利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,不僅可以優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),還可以提高收斂速度。由于標(biāo)準(zhǔn)粒子群算法存在過早收斂及易陷入局部極值等問題,本文對(duì)標(biāo)準(zhǔn)粒子群算法的權(quán)重進(jìn)行改進(jìn),分別為線性遞減慣性權(quán)重法、隨機(jī)慣性權(quán)重法及非線性慣性權(quán)重法,動(dòng)態(tài)權(quán)重能夠通過調(diào)整粒子的速度和位置提高粒子群算法的全局搜索能力,避免過早收斂。在動(dòng)態(tài)權(quán)重改進(jìn)方法的基礎(chǔ)上進(jìn)行二次改進(jìn),利用混沌理論對(duì)粒子群算法搜索的最優(yōu)粒子的位置進(jìn)行混沌,以避免粒子群陷入局部極值,改善了標(biāo)... 

【文章來源】：山東科技大學(xué)山東省

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１論文技術(shù)路線圖??Ｆｉｇ．?１．１?Ｔｅｃｈｎｉｃａｌ?ｒｏａｄｍａｐ?ｏｆ?ｐａｐｅｒ??１．４本章小結(jié)??

性、大規(guī)模并行處理、自學(xué)習(xí)、自組織及自適應(yīng)性等。１９８６年，Ｄａｖｉｄ?Ｅ．Ｒｕｍｅｌｈ和Ｊａｍｅｓ?Ｌ．ＭｃＣｅｌｌａｎｄ提出了一種誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型，即ＢＰ神經(jīng)模型。作為一種最普通的神經(jīng)網(wǎng)絡(luò)模型，ＢＰ神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用在生學(xué)、信息工程、圖像處理、工程監(jiān)測等各個(gè)領(lǐng)域。。??２．１．１?ＢＰ神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及算法分析??ＢＰ神經(jīng)網(wǎng)絡(luò)是一種類似于人腦的智能系統(tǒng)，該模型模仿人腦的結(jié)構(gòu)能，由大量互相聯(lián)結(jié)的神經(jīng)元組成，能夠?qū)崿F(xiàn)自學(xué)習(xí)、自適應(yīng)的特點(diǎn)，是一前饋神經(jīng)網(wǎng)絡(luò)［３３］。ＢＰ神經(jīng)網(wǎng)絡(luò)主要由三層組成：輸入層、隱含層和輸出層，與層之間互相聯(lián)結(jié)，而每層內(nèi)部的結(jié)點(diǎn)之間互不聯(lián)結(jié)，且隱含層可以是一層也可以是多層。ＢＰ結(jié)構(gòu)示意圖如圖２．１，圖中冬，／２，…，叉為輸入層，／，…，／為出層。??

２．?２?ＢＰ神經(jīng)網(wǎng)絡(luò)的算法流程圖??Ｐ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ａｌｇｏｒｉｔｈｍ?ｆｌｏｗ?ｃｈａｒｔ??能分析??題中有很多優(yōu)點(diǎn)和特征，也存在一些不足缺點(diǎn)。??下：??明顯。ＢＰ神經(jīng)網(wǎng)絡(luò)模仿人腦結(jié)構(gòu)，能夠程式的情況下實(shí)現(xiàn)從輸入向量到輸出向能力。ＢＰ神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)訓(xùn)練過程中，的訓(xùn)練規(guī)則，自動(dòng)調(diào)節(jié)權(quán)值和閾值，以

【參考文獻(xiàn)】：
期刊論文
[1]灰色BP神經(jīng)網(wǎng)絡(luò)組合模型在地鐵沉降監(jiān)測中的應(yīng)用[J]. 馮子帆,成樞,邱健,荊曉宇.  四川建材. 2017(12)
[2]基于改進(jìn)量子粒子群算法的電力系統(tǒng)經(jīng)濟(jì)調(diào)度仿真研究[J]. 陳功貴,黃山外,孫智,張治中,熊國江.  實(shí)驗(yàn)技術(shù)與管理. 2017(03)
[3]基于改進(jìn)粒子群優(yōu)化算法的邊坡穩(wěn)定性分析[J]. 孫昊,潘少華,楊善統(tǒng),熊峰,郭龍驍.  水電能源科學(xué). 2017(02)
[4]基于改進(jìn)粒子群優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)在大壩變形分析中的應(yīng)用[J]. 齊銀峰,譚榮建.  水利水電技術(shù). 2017(02)
[5]基于粗糙集和粒子群優(yōu)化支持向量機(jī)的滑坡變形預(yù)測[J]. 趙艷南,牛瑞卿,彭令,程溫鳴.  中南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[6]改進(jìn)粒子群算法優(yōu)化的衛(wèi)星鐘差組合預(yù)報(bào)模型[J]. 劉贊,陳西宏,孫際哲,劉強(qiáng),張群.  探測與控制學(xué)報(bào). 2015(01)
[7]基于時(shí)間序列與PSO-SVR耦合模型的白水河滑坡位移預(yù)測研究[J]. 張俊,殷坤龍,王佳佳,黃發(fā)明.  巖石力學(xué)與工程學(xué)報(bào). 2015(02)
[8]改進(jìn)混沌粒子群的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化及應(yīng)用[J]. 匡芳君,張思揚(yáng),徐蔚鴻.  微電子學(xué)與計(jì)算機(jī). 2015(01)
[9]基于混沌與量子粒子群算法相結(jié)合的負(fù)荷模型參數(shù)辨識(shí)研究[J]. 王振樹,卞紹潤,劉曉宇,于凱,石云鵬.  電工技術(shù)學(xué)報(bào). 2014(12)
[10]混沌粒子群神經(jīng)網(wǎng)絡(luò)在上證指數(shù)預(yù)測中的應(yīng)用[J]. 孟棟,樊重俊,劉思.  數(shù)學(xué)理論與應(yīng)用. 2014(02)

博士論文
[1]哀牢山區(qū)降雨型滑坡預(yù)警理論與方法研究[D]. 溫銘生.北京交通大學(xué) 2014
[2]基于神經(jīng)網(wǎng)絡(luò)的滑坡預(yù)測及其控制研究[D]. 陳煌瓊.華中科技大學(xué) 2013
[3]進(jìn)化計(jì)算優(yōu)化前向神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法研究[D]. 季偉東.東北林業(yè)大學(xué) 2013
[4]混沌粒子群優(yōu)化算法及應(yīng)用研究[D]. 徐文星.北京化工大學(xué) 2012
[5]粒子群優(yōu)化算法的改進(jìn)及應(yīng)用研究[D]. 毛恒.華僑大學(xué) 2008
[6]混沌粒子群優(yōu)化算法理論及應(yīng)用[D]. 唐賢倫.重慶大學(xué) 2007

碩士論文
[1]改進(jìn)的粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在大壩變形預(yù)測中的應(yīng)用[D]. 楊超.東華理工大學(xué) 2016
[2]基于混沌粒子群神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型的應(yīng)用研究[D]. 馮康.華北水利水電大學(xué) 2016
[3]基于改進(jìn)型PSO-BP神經(jīng)網(wǎng)絡(luò)算法的水環(huán)境質(zhì)量評(píng)價(jià)[D]. 曹偉.昆明理工大學(xué) 2016
[4]基于改進(jìn)PSO-RBF神經(jīng)網(wǎng)絡(luò)的氣溫預(yù)測模型[D]. 陳廣.蘭州大學(xué) 2015
[5]基于粒子群的糧食產(chǎn)量預(yù)測神經(jīng)網(wǎng)絡(luò)優(yōu)化研究[D]. 李雪.浙江海洋學(xué)院 2014
[6]粒子群改進(jìn)算法及在混合神經(jīng)網(wǎng)絡(luò)中的應(yīng)用研究[D]. 武燕.景德鎮(zhèn)陶瓷學(xué)院 2014
[7]基于改進(jìn)粒子群算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化及應(yīng)用[D]. 王耀東.西安科技大學(xué) 2012
[8]基于混合智能算法的鐵路運(yùn)量預(yù)測研究[D]. 陶海龍.蘭州交通大學(xué) 2012
[9]粒子群算法的拓?fù)浣Y(jié)構(gòu)分析與研究[D]. 楊朋樽.太原理工大學(xué) 2010
[10]BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及其在PID控制中的應(yīng)用研究[D]. 史春朝.天津大學(xué) 2006



本文編號(hào)：3419087