本文關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)優(yōu)化模型在大壩變形預(yù)報(bào)中的應(yīng)用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：大壩大多建造在水文、工程地質(zhì)條件復(fù)雜環(huán)境中,且承受著巨大荷載的建筑物。對其進(jìn)行實(shí)時(shí)監(jiān)測,利用大量的變形實(shí)測資料,分析評估大壩安全狀態(tài),并做出合理預(yù)報(bào)是確保大壩安全的重要手段。同時(shí),由于大壩受諸多類似水壓力、揚(yáng)壓力、溫度、時(shí)效以及許多不確定性因素的影響,且這些因素通常具有很強(qiáng)的隨機(jī)性,相互間關(guān)系復(fù)雜,使得建立在各次觀測相互獨(dú)立、觀測誤差期望為零的條件下的傳統(tǒng)數(shù)學(xué)模型無法用確切的定量關(guān)系式來描述這些因素與大壩位移量之間的關(guān)系。尤其當(dāng)觀測資料較少或含有較大觀測噪聲誤差時(shí),傳統(tǒng)的變形分析模型具有一定局限性。因此研究融合多門學(xué)科知識與技術(shù)方法,建立合適的組合變形分析與預(yù)報(bào)模型成為分析大壩變形趨勢與變形規(guī)律的重要課題。本文正是從該角度出發(fā),引入神經(jīng)網(wǎng)絡(luò)理論、遺傳算法、粒子群算法及改進(jìn)的粒子群算法,研究融合了這些智能算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的可行性,結(jié)合具體的大壩工程,對神經(jīng)網(wǎng)絡(luò)優(yōu)化模型進(jìn)行應(yīng)用和比較。本文主要研究內(nèi)容如下:1)研究了神經(jīng)網(wǎng)絡(luò)、遺傳算法、粒子群算法的基本理論。神經(jīng)網(wǎng)絡(luò)算法在初始化時(shí)有很強(qiáng)的隨機(jī)性、收斂速度慢、易陷入局部極小值,利用遺傳算法和PSO算法對神經(jīng)網(wǎng)絡(luò)神經(jīng)元之間的連接權(quán)值和閾值進(jìn)行全局優(yōu)化搜索,并對標(biāo)準(zhǔn)的PSO算法中的慣性權(quán)重進(jìn)行了非線性改進(jìn)。2)利用神經(jīng)網(wǎng)絡(luò)變量選擇法計(jì)算輸入模式中各影響因素的貢獻(xiàn)率,據(jù)此判斷影響因子的取舍,確定影響大壩變形的最終因子,對大壩位移監(jiān)測數(shù)據(jù)和大壩的最終影響因子進(jìn)行樣本數(shù)據(jù)歸一化處理。3)建立基于遺傳算法、粒子群算法、改進(jìn)粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)大壩變形預(yù)報(bào)模型。在MATLAB環(huán)境下,編制相應(yīng)的建模分析程序,將該模型用于一些具有代表性大壩工程體的變形分析與預(yù)報(bào),比較分析傳統(tǒng)數(shù)學(xué)統(tǒng)計(jì)模型、BP模型、遺傳算法優(yōu)化BP網(wǎng)絡(luò)模型、粒子群算法優(yōu)化BP網(wǎng)絡(luò)模型及改進(jìn)的粒子群優(yōu)化BP模型的預(yù)報(bào)結(jié)果,結(jié)果表明:改進(jìn)的粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)模型對大壩變形的預(yù)測精度較傳統(tǒng)大壩變形預(yù)報(bào)模型、BP神經(jīng)網(wǎng)絡(luò)模型及遺傳神經(jīng)網(wǎng)絡(luò)模型有較大提高。
【關(guān)鍵詞】：遺傳神經(jīng)網(wǎng)絡(luò) 粒子群神經(jīng)網(wǎng)絡(luò) 改進(jìn)粒子群算法 變量選擇 預(yù)測精度
【學(xué)位授予單位】：桂林理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TV698.11
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 研究的背景和意義9-11
• 1.2 大壩監(jiān)測模型國內(nèi)外研究現(xiàn)狀11-12
• 1.3 本文研究的主要工作與結(jié)構(gòu)安排12-14
• 1.3.1 本文主要研究的內(nèi)容12-13
• 1.3.2 本文結(jié)構(gòu)13-14
• 第2章 人工神經(jīng)網(wǎng)絡(luò)理論14-25
• 2.1 人工神經(jīng)網(wǎng)絡(luò)概述14-15
• 2.2 人工神經(jīng)網(wǎng)絡(luò)基本原理15-19
• 2.2.1 人工神經(jīng)元的數(shù)學(xué)描述15-18
• 2.2.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)18
• 2.2.3 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式18-19
• 2.2.4 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法19
• 2.3 BP神經(jīng)網(wǎng)絡(luò)19-24
• 2.3.1 BP神經(jīng)網(wǎng)絡(luò)算法及實(shí)現(xiàn)20-22
• 2.3.2 BP神經(jīng)網(wǎng)絡(luò)的不足及改進(jìn)22-24
• 2.4 本章小結(jié)24-25
• 第3章 傳統(tǒng)大壩預(yù)報(bào)模型和BP神經(jīng)網(wǎng)絡(luò)優(yōu)化模型25-46
• 3.1 傳統(tǒng)大壩監(jiān)測數(shù)學(xué)模擬方法25-26
• 3.1.1 統(tǒng)計(jì)模型25
• 3.1.2 確定性模型25-26
• 3.1.3 混合模型26
• 3.2 遺傳算法的基本原理26-28
• 3.2.1 遺傳算法基本概念26-27
• 3.2.2 遺傳算法的實(shí)現(xiàn)27-28
• 3.3 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)28-32
• 3.3.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型28-30
• 3.3.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可行性分析30-32
• 3.4 PSO算法基本理論32-36
• 3.4.1 PSO算法概述32-33
• 3.4.2 PSO算法的數(shù)學(xué)描述33-35
• 3.4.3 PSO算法的步驟流程35-36
• 3.5 PSO算法的幾種改進(jìn)模型36-40
• 3.5.1 PSO算法存在的局限性36-37
• 3.5.2 PSO算法的幾種基本改進(jìn)方法37-39
• 3.5.3 鄰域非線性動(dòng)態(tài)調(diào)整策略的粒子群算法39-40
• 3.6 基于改進(jìn)PSO算法優(yōu)的BP神經(jīng)網(wǎng)絡(luò)40-45
• 3.6.1 改進(jìn)的PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型40-42
• 3.6.2 改進(jìn)的PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型可行性分析42-45
• 3.7 本章小結(jié)45-46
• 第4章 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法在大壩變形預(yù)報(bào)中的應(yīng)用46-54
• 4.1 工程概況46-47
• 4.2 大壩變形影響因子的選擇及預(yù)處理47-50
• 4.2.1 大壩變形的影響因子47-48
• 4.2.2 大壩變形因子的篩選48-49
• 4.2.3 大壩變形因子的預(yù)處理49-50
• 4.3 IPSO_BP模型在大壩變形預(yù)報(bào)中的應(yīng)用50-53
• 4.4 本章小結(jié)53-54
• 第5章 大壩安全監(jiān)測模型的分析與評價(jià)54-60
• 5.1 BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)的大壩變形監(jiān)測模型的比較54
• 5.2 神經(jīng)網(wǎng)絡(luò)優(yōu)化模型的比較54-55
• 5.3 各種模型預(yù)報(bào)結(jié)果分析55-59
• 5.4 本章小結(jié)59-60
• 第6章 結(jié)論和展望60-62
• 6.1 主要工作和結(jié)論60
• 6.2 展望60-62
• 參考文獻(xiàn)62-66
• 個(gè)人簡歷、申請學(xué)位期間的研究成果及發(fā)表學(xué)術(shù)論文66-67
• 致謝67

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 王鳳琴,高穎,趙軍;基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化[J];燕山大學(xué)學(xué)報(bào);2001年03期

2 苗君明,佟剛,楊者青;基于遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化[J];沈陽航空工業(yè)學(xué)院學(xué)報(bào);2005年03期

3 杜福銀;徐揚(yáng);盧明立;程林章;;有轉(zhuǎn)運(yùn)運(yùn)輸問題的Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J];鐵道學(xué)報(bào);2006年02期

4 李影;徐濤;邢偉;;基于進(jìn)化遺傳算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化[J];長春理工大學(xué)學(xué)報(bào);2006年03期

5 楊華芬;楊有;尚晉;;一種改進(jìn)的進(jìn)化神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)方法[J];鄭州大學(xué)學(xué)報(bào)(工學(xué)版);2010年05期

6 鄭秀梅;羅憲;鄧娟;;基于神經(jīng)網(wǎng)絡(luò)優(yōu)化組合的供水預(yù)警機(jī)制[J];計(jì)算機(jī)與現(xiàn)代化;2011年04期

7 杜福銀;徐揚(yáng);盧明立;程林章;;一種作業(yè)車間調(diào)度問題的Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化方法[J];機(jī)床與液壓;2006年11期

8 黃洪鐘,黃文培;系統(tǒng)可靠性的冗余分配及其神經(jīng)網(wǎng)絡(luò)優(yōu)化方法研究[J];西南交通大學(xué)學(xué)報(bào);1996年05期

9 彭斌;胡常安;趙榮珍;;基于混合雜草算法的神經(jīng)網(wǎng)絡(luò)優(yōu)化策略[J];振動(dòng).測試與診斷;2013年04期

10 于萬林;趙浩峰;邱奕婷;鄭澤昌;林瑩瑩;張群;;利用神經(jīng)網(wǎng)絡(luò)優(yōu)化鐵基軟磁材料熱處理工藝研究[J];磁性材料及器件;2013年02期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 胡云安;左斌;吳建剛;;利用退火回歸神經(jīng)網(wǎng)絡(luò)優(yōu)化極值搜索算法[A];2005年中國智能自動(dòng)化會議論文集[C];2005年

2 李崇威;楊波;陳月輝;;并行TABU在神經(jīng)網(wǎng)絡(luò)優(yōu)化中的研究與應(yīng)用[A];2006年全國理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會論文集[C];2006年

3 張蕾;陳月輝;楊波;;基于并行PSO的神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的研究[A];2005年全國理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會論文集[C];2005年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 胡紀(jì)元;神經(jīng)網(wǎng)絡(luò)優(yōu)化模型在大壩變形預(yù)報(bào)中的應(yīng)用研究[D];桂林理工大學(xué);2015年

2 鄭秀梅;基于神經(jīng)網(wǎng)絡(luò)優(yōu)化組合的供水預(yù)警機(jī)制[D];重慶交通大學(xué);2011年

3 李雪;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];浙江海洋學(xué)院;2014年

4 羅蓬;鑄造過程數(shù)值模擬的神經(jīng)網(wǎng)絡(luò)優(yōu)化技術(shù)研究[D];四川大學(xué);2004年

5 廖偉芳;基于分布估計(jì)算法的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)計(jì)[D];南京理工大學(xué);2009年

6 谷芳春;神經(jīng)網(wǎng)絡(luò)優(yōu)化理論研究及應(yīng)用[D];燕山大學(xué);2003年

7 孫明;基于改進(jìn)PSO的神經(jīng)網(wǎng)絡(luò)優(yōu)化方法及其在熱工系統(tǒng)中的應(yīng)用[D];華北電力大學(xué)（河北）;2008年

8 胡僑丹;基于神經(jīng)網(wǎng)絡(luò)優(yōu)化的凸輪軸鑄造知識基工程（KBE）系統(tǒng)研究[D];四川大學(xué);2004年

9 于佳;基于神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的二階系統(tǒng)解耦研究[D];哈爾濱工程大學(xué);2012年

10 王耀東;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];西安科技大學(xué);2012年

  本文關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)優(yōu)化模型在大壩變形預(yù)報(bào)中的應(yīng)用研究，，由筆耕文化傳播整理發(fā)布。

本文編號：304333