基于径向基神经网络的大坝变形监控模型摘要变形监控是了解大坝工作状态、实施安全管理的重要内容之一。采用径向基神经网络构建大坝变形监控模型，能够更好地解决有实时性要求的在线分析问题，其预报效果和精度远远高于传统的逐步回归统计模型。虽然在预报精度上略逊于bp神经网络，但从建模容易程度、训练速度和预报精度等方面综合考虑，则远远好于bp神经网络。
关键词径向基神经网络；大坝变形；监控模型；预测预报；白石水库
中图分类号 tv135.3 文献标识码 a 文章编号 1007-5739（2013）06-0191-01
变形监控是了解大坝工作状态，实施安全管理的重要内容之一。变形观测方法简便易行，其成果直观可靠，能够真实反映大坝的工作性态，既是大坝安全监测的主要监测量，又是大坝安全监控的重要指标。
早期人们通过绘制过程线、相关图，直观地了解大坝变形测值的变化大小和规律，并运用比较法、特征值统计法，检查变形在数量变化大小、规律、趋势等方面是否具有一致性和合理性，对大坝变形进行定性分析。随着各种分析理论的产生，模糊数学、突变理论、灰色系统理论、神经网络等理论方法被相继引入大坝变形监控领域。
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
［收稿日期］2015－06－10 ［作者简介］蒯鹏程（1993－），男，江苏徐州人，学士；杰德尔别克（1992－），男，新疆阿勒泰人，学士；邹 恒（1994 －），男，湖北咸宁人，学士；秦思佳（1994－），女，贵州沿河人，学士. 特高拱坝施工期及蓄水初期变形监控模型 蒯鹏程，杰德尔别克，邹 恒，秦思佳 （河海大学水利水电学院，南京210098） ［摘 要］以实测资料为依据， 利用多元回归分析法建立了特高拱坝蓄水期特殊安全监控模型， 对特高拱坝蓄水期间的各关键影响因素进行定量分析，以此为特高拱坝蓄水期工作性态安全评价提供技术支持。［关键词］特高拱坝；安全监控模型；多元回归分析法 ［中图分类号］TU64 ［文献标识码］B ［文章编号］1006－7175（2015）08－0001－03 The Deformation Monitoring Model of the Super High Arch Dam in Construction Period and the Early Storage Period KUAIPeng －cheng ，JIE Deerbieke ，ZOU Heng ，QIN Si －jia （College of Water Conservancy and Hydropower Engineering ，Hohai University ，Nanjing 210098， Jiangsu ，China ）Abstract ：Based on the real measuring data ，creating the safety monitoring model of the super high arch dam in multiple regression analysis and analyzing the key affecting factors in storage period ，these are used as super high arch dam behavior evaluation in storage period. Key words ：super high arch dam ；safety monitoring model ；multiple regression analysis 0引言 施工期及蓄水初期是大坝失事或事故出现的多发期，施工阶段由于特高拱坝坝体结构形状和施工材料的性质以及所承受的荷载等方面都随时间的变化而变化，与运行期相比其失效概率大、风险度高，直接影响工程结构的安全。 本文结合某特高拱坝施工期及蓄水初期的各项资料，选取影响坝体变形的主要因素，并利用多元回归分析法，分析施工期及蓄水初期坝体变形与影响因子之间的定量关系，从而建立施工期及蓄水初期坝体变形的安全监控模型，对模型预测值与实测资料值进行相关分析，并验证了结果的合理性和可靠性。 1多元回归分析原理 回归分析的中心问题是由变量组（X 1， X 2，…，X k ；Y ）进行最佳拟合，求出B 0、B i ，建立预报量Y 和自变量X 1， X 2，…，X k 之间的数学表达式，即理论回归方程或真正回归方程。然而， 在实际工程问题中是不可能求得的。数学统计理论的一切问题，都是抽样估计问题，也就是在母体资料中随机地抽取部分子样： x 1t ，x 2t ，x 3t ，…，x 4t ；y t t =1，2，…，n ； n ≤N 根据上述子样资料对母体的数量特征和规律性进行 估计，即用b 0，b 1，b 2，…，b k 作为B 0，B 1，B 2，…，B k 的估计值，则所得的回归方程称为经验回归方程 ［1］ ： y =b 0+∑k i =1b i x i 2 特高拱坝施工期及蓄水初期变形监控模型 在水压力、扬压力、泥沙压力和温度等荷载作用下， 大坝任一点产生一个位移矢量δ，其可分解为水平位移δx ，侧向水平位移δy 和竖直位移δz ，即 δ=δx i +δy j +δz k 按其成因，位移可分为3个部分：水压分量δH 、温度 — 1—
基于神经网络的预测控制模型仿真 摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。 关键词：预测控制神经网络动态矩阵误差补偿 1.引言 动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。 但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。 本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。 本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，
岩土工程技术000405 岩土工程技术 GEOTECHNICAL ENGINEERING TECHNIQUE 2000 No.4 P.204-207 大坝变形预测模型的研究 陆付民 任德记 何薪基 【摘要】1998年8月，为了减轻长江中下游的防洪压力，清江隔河岩水库蓄水一度超过正常蓄水位3m 多。以清江隔河岩大坝部分监测点的变形观测数据为例，详细介绍了大坝变形预测模型的建立方法，且运用一个实例验证了该方法的有效性。 【关键词】大坝；变形；预测；监测点 【分类号】TB22TU198.2 Research of Deformation Forecast models of Dam 【 Abstract】 In order to lessen the pressure of flood prevention of middle and down stream in Yangtze River , water level of Qingjiang Geheyan was more than 3 meters higher than normal water level in some times in August , 1998 . The method to establish deformation forecast models of dam is introduced in detail by taking deformation observation datum of some monitor points of Qingjiang Geheyan dam.Finally , the effectiveness of this method is verified by a practical example . 【 Keyword】 dam;deformation;forecast;monitor points 作者简介：陆付民，1964年生，男，汉族，湖北云梦人，工学硕士，副教授。现主要从事水利水电工程测量研究。 陆付民（武汉水利电力大学宜昌校区，宜昌443002） 任德记（武汉水利电力大学宜昌校区，宜昌443002） 何薪基（武汉水利电力大学宜昌校区，宜昌443002） 参考文献 1，张启锐.实用回归分析.北京:地质出版社，1988.20～33 2，陆付民.建筑物水平位移变形数据处理方法.武测科技，1992(2)：32～39 3，陆付民.鲜水河区域垂直变形分析初探.勘察科学技术，1993(3)：51～54 4，陆付民.大坝水平变形监测网观测方案的优化设计.大坝观测与土工测试，1996(3)：32～35 5，何薪基，任德记，陆付民等.清江隔河岩库区重要滑坡预测模型的探讨.长江科学院院报，1998 (5）：39～43 6，He Xinji Lu Fumin Ren Deji. Applications of Regression Added Weights and Parameters Optimun in landslides Deformation Analysis.'97 NORTH－ EAST ASIA SYMPOSIUM AND FIELD WORKSHOP ON LANDSLIDE AND DEBRIS FLOW (17－ 23 July,1997,Yichang－ Chongqing). 69～ 76 7，J Van Mierlo.A Testing Procedure for Analysing Geodetic Deformation Measurement.Bonn, 1978.24～ 36 收 稿 日 期 ： 2000－ 07－ 10 file:///E|/qk/ytgcjs/ytgc2000/0004/000405.htm2010-3-23 13:22:58
OpenCV的ml模块实现了人工神经网络（Artificial Neural Networks，ANN）最典型的多层感知器（multi-layer perceptrons, MLP）模型。由于ml模型实现的算法都继承自统一的CvStatModel基类，其训练和预测的接口都是train(),predict()，非常简单。 下面来看神经网络CvANN_MLP 的使用~ 定义神经网络及参数： [cpp]view plain copy 1.//Setup the BPNetwork 2. CvANN_MLP bp; 3.// Set up BPNetwork's parameters 4. CvANN_MLP_TrainParams params; 5. params.train_method=CvANN_MLP_TrainParams::BACKPROP; 6. params.bp_dw_scale=0.1; 7. params.bp_moment_scale=0.1; 8.//params.train_method=CvANN_MLP_TrainParams::RPROP; 9.//params.rp_dw0 = 0.1; 10.//params.rp_dw_plus = 1.2; 11.//params.rp_dw_minus = 0.5; 12.//params.rp_dw_min = FLT_EPSILON; 13.//params.rp_dw_max = 50.; 可以直接定义CvANN_MLP神经网络，并设置其参数。BACKPROP表示使用 back-propagation的训练方法，RPROP即最简单的propagation训练方法。 使用BACKPROP有两个相关参数：bp_dw_scale即bp_moment_scale： 使用PRPOP有四个相关参数：rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max：
B P神经网络预测模型及 应用 IMB standardization office【IMB 5AB- IMBK 08- IMB 2C】
B P神经网络预测模型及应用 摘要采用BP神经网络的原理，建立神经网络的预测模型，并利用建立的人工神经网络训练并预测车辆的销售量，最后得出合理的评价和预测结果。 【关键词】神经网络模型预测应用 1 BP神经网络预测模型 BP神经网络基本理论 人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型，BP网为其中之一，它又被称为多层前馈神经网络。 BP神经网络预测模型 （1）初始化，给各连接权值（wij，vi）及阐值（θi）赋予随机值，确定网络结构，即输入单元、中间层单元以及输出层单元的个数；通过计算机仿真确定各系数。 在进行BP网络设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面进行考虑，BP网络由输入层、隐含层和输出层组成。隐含层神经元个数由以下经验公式计算： （1）
式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7. BP网络采用了有一定阈值特性的、连续可微的sigmoid函数作为神经元的激发函数。采用的s 型函数为： （2） 式中：s为隐层节点数，m为输入层节点数，n为输出层节点数，h为正整数，一般取3―7.计算值需经四舍五入取整。 （2）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响，尽管从理论分析中得到比的收敛速度快，但是也存在着不足之处。当网络收敛到一定程度或者是已经收敛而条件又有变化的时候，过于灵敏的反映会使得系统产生震荡，难于收敛。因此，对激励函数进行进一步改进，当权值wij （k）的修正值Δwij（k） Δwij（k+1）<0时，，其中a为大于零小于1的常数。这样做降低了系统进入最小点时的灵敏度，减少震荡。 2 应用 车辆销售量神经网络预测模型 本文以某汽车制造企业同比价格差、广告费用、服务水平、车辆销售量作为学习训练样本数据。如表1。 表1 产品的广告费、服务水平、价格差、销售量 月份广告费 （百万元）服务水平价格差
第20卷第9期2008年9月 计算机辅助设计与图形学学报 JO U RN A L O F COM PU T ER AID ED D ESIG N &COM P U T ER G RA PH ICS Vo l.20,N o.9 Sep.,2008 收稿日期:2008-07-15.基金项目:国家 九七三 重点基础研究发展规划项目(2002CB312101,2006CB303102);国家自然科学基金(60603078);新世纪优秀人才项目(NCET 06 0516).赵 勇,男,1982年生,博士研究生,主要研究方向为数字几何处理.刘新国,男,1972年生,博士,教授,博士生导师,主要研究方向为数字几何处理、真实感绘制、虚拟现实等.彭群生,男,1947年生,博士,教授,博士生导师,CC F 高级会员,主要研究方向为真实感图形、虚拟现实、科学计算可视化等. 基于四面体控制网格的模型变形算法 赵 勇 刘新国 彭群生 (浙江大学CAD &CG 国家重点实验室 杭州 310058)(z haoyong@cad.z https://www.doczj.com/doc/d91442935.html,) 摘要 提出一种鲁棒的保体积保表面细节的模型变形算法.首先将输入模型嵌入到一个稀疏的四面体控制网格 中,并且通过一种改进的重心坐标来建立两者的对应关系;然后通过用户的交互,对控制网格建立一个二次非线性能量函数对其进行变形,而输入模型的变形结果则可以通过插值来直接获得.由于能量函数的优化是在控制网格上进行的,从而大大提高了算法的效率.与此同时,提出一种新的能量!!!Laplacian 能量,可以使四面体控制网格进行尽量刚性的变形,从而有效地防止了大尺度编辑过程中模型形状的退化现象.文中算法还具有通用性,可支持多种模型的表示方式,如三角网格模型、点模型等.实验结果表明,该算法可以有效地保持输入模型的几何细节、防止明显的体积变化,得到了令人满意的结果. 关键词 模型编辑;四面体控制网格;刚性变形;L aplacian 能量;通用性中图法分类号 T P391 Shape Deformation Based on Tetrahedral Control Mesh Zhao Yong Liu Xing uo Peng Qunsheng (S tate K ey L abor atory of CA D &CG ,Zh ej iang Univ ersity ,H ang z hou 310058) Abstract A robust shape deformation algo rithm w ith the feature o f both vo lum e and surface detail preserv ing is presented.Fir st,the input m odel is embedded into a coarse tetr ahedral co ntro l mesh,and the m odified bar ycentr ic coordinates are employ ed to establish their relationship.Then acco rding to user s editing,the contro l mesh is defor med by solving a quadric no nlinear ener gy m inimization pro blem,and the deform ation is passed to the embedded m odel by interpolatio n.As the optimization pro cess is applied to the control mesh composed of sparse vertices,the efficiency is g reatly improved.Meantime,w e incor porate a new energ y,called Laplacian energ y,into the energy equatio n to m ake the tetrahedral contro l m esh deform as rigidly as possible,thus avoiding shape degenerations even under ex treme editing.Our algor ithm acco mmodates various shape repr esentations,such as triangular meshes,point clouds etc.Experiments demonstrate that the Laplacian energy is very effective in preserv ing geom etric details and pr eventing unreasonable volume changes. Key words shape editing;tetrahedral contr ol m esh;r ig id defor matio n;Laplacian energ y;generality 近年来,随着三维数据采集技术的不断发展,三维数字几何模型已经在数字娱乐、工业设计、医学辅 助诊断、文物保护等很多领域得到了广泛的应用.数字几何处理作为计算机图形学的一个重要分支也得
BP神经网络模型 第1节基本原理简介 近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注． 目前，已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络
设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11)(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并 传向输出层。每一层神经元的状态只影响下一层神经
BP神经网络模型与学习算法 BP神经网络模型与学习算法 (1) 一，什么是BP (1) 二、反向传播BP模型 (8) 一，什么是BP "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。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。" 我们现在来分析下这些话： ?“是一种按误差逆传播算法训练的多层前馈网络” BP是后向传播的英文缩写，那么传播对象是什么？传播的目的是什么？传播的方式是后向，可这又是什么意思呢。 传播的对象是误差，传播的目的是得到所有层的估计误差，后向是说由后层误差推导前层误差： 即BP的思想可以总结为 利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。 ?“BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)” 最简单的三层BP：
?“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。”BP利用一种称为激活函数来描述层与层输出之间的关系，从而模拟各层神经元之间的交互反应。 激活函数必须满足处处可导的条件。那么比较常用的是一种称为S型函数的激活函数： 那么上面的函数为什么称为是S型函数呢： 我们来看它的形态和它导数的形态： p.s. S型函数的导数：
变形监测采用哪个等级,主要按下列方法确定。(1)以高层建筑阶段平均变形量为依据;(2)以某些固定值为依据;(3)以高层建筑最小变形值为依据;(4)以预估变形量或变形速度为依据;(5)以地基允许变形值为依据。在实际监测中,通常根据高层建筑的地基允许变形值来推算,高层建筑的地基允许变形值一般是由设计单位给定的或者由相应的建筑规范规定的。地基允许变形值包括沉降量、沉降差、倾斜和局部倾斜四种。根据《建筑地基基础设计规范(GBJ7-89)》规定，常用的高层建筑地基允许变形值，可以求出相应的允许变形量，根据实际情况取其就得到应该采用的测量精度。由此可进一步确定采用的观测手段、仪器设备等，也为监测网网形的设计和优化提供参考。 经过广大测量科技工作者和工程技术人员近30年的共同努力，在变形监测领域取得了丰硕的理论研究成果，并发挥了实用效益。以我国为例：①利用地球物理大地测量反演论，于1993年准确地预测了1996年发生在丽江大地震。②1985年6月12日长江三峡新滩大滑坡的成功预报，确保灾害损失减少到了最低限度。它不仅使滑坡区内457户1371人在活泼前夕全部安全撤离，无一伤亡，而且使正在险区长江上下游航行的11艘客货轮船及时避险，免遭灾害。为国家减少直接经济损失8700万元，被誉为我国滑坡预报研究史上的奇迹。③隔河岩大坝外观变形GPS自动化监测系统在1998年长江流域抗洪峰中所发挥的巨大作用，确保了安全度汛，避免了荆江大堤灾难性分洪。科学、准确、及时地分析和预报工程及工程建筑物的变形情况，对工程建筑物id施工和运营管理极为重要，这一工作术语变形监测的范畴。由于变形监测涉及到测量、工程地质、水文、结构力学、地球物理、计算机科学等诸多学科的知识，因此，它是一项跨学科的研究，并正向着边缘科学发展。也已经成为测量工作者和其他学科专家合作的研究领域。 神经网络的研究始于20世纪40年代。半个多世纪以来，它经历了一条由兴起到衰退、又由衰退到兴盛的曲折发展过程，这一发展过程大致可以分为四个阶段： 1. 初始发展阶段: 1943年，心理学家W.S.McCulloch和数学家W.Pitts在研究生物神经元的基础上提出了一种简单的人工神经元模型，即后来所谓的“M-P模型”，虽然M-P模型过于简单，且只能完成一些简单的逻辑运算，但它的出现开创了神经网络研究的先河，并为以后的研究提供了依据；1949年心理学家D.O.Hebb发表了论著《行为自组织》提出了Hebb学习律；1957年，F.Rosenblatt提出了著名的感知器模型，这是一个真正的人工智能网络，它确立了从系统角度研究神经网络的基础；1960年，B.Widrow和M.E.Hoff提出了自适应线性单元网络，同时还提出了Widrow-Hoff学习算法，即后来的LMS算法。 ［１］栾元重，曹丁涛，徐乐年，等．变形观测与动态预报 ［Ｍ］．北京：气象出版社，２００１． ［２］陈永奇，吴子安，吴中如．变形监测分析与预报［Ｍ］．北 京：测绘出版社，１９９７． ［３］韩力群．人工神经网络教程［Ｍ］．北京：北京邮电大学 出版社，２００６． ［４］徐晖，李钢．基于Ｍａｔｌａｂ的ＢＰ神经网络在大坝观测数 据处理中的应用［Ｊ］．武汉大学学报，２００５（３）：５０－５３．［５］陈昱．基于组合人工神经网络的隧道变形预测模型应
所谓变形监测，就是利用测量与专用仪器和方法对变形体的变形现象进行监视观测的工作。其任务是确定在各种载荷和外力作用下，变形体的形状、大小及位置变化的空间状态和时间特征。 变形观测：对变形体在运动中的空间和时间域内进行周期性的重复观测，就称为变形观测。根据变形体的研究范围，可将变形监测研究对象划分为这样三类： 1全球性变形研究如监测全球板块运动、地极移动、地球自转速率变化、地潮等； 2区域性变形研究如地壳形变监测、城市地面沉降等； 3工程和局部性变形研究如监测工程建筑物的三维变形、滑坡体的滑动、地下开采使引起的地表移动和下沉等。 变形监测的内容 1）工业与民用建筑物：主要包括基础的沉陷观测与建筑物本身的变形观测 2）水工建筑物：对于土坝，其观测项目主要为水平位移、垂直位移、渗透以及裂缝观测。3）地面沉降：对于建立在江河下游冲积层上的城市，由于工业用水需要大量地吸取地下水，而影响地下土层的结构，将使地面发生沉降现象。对于地下采矿地区，由于在地下大量的采掘，也会使地表发生沉降现象 变形监测的目的和意义：具有实用上的意义，主要是掌握各种建筑物和地质构造的稳定性，为安全性诊断提供必要信息，及时发现问题，以便采取措施；具有科学上的意义，包括更好地理解变形的机理，验证有关工程设计的理论和地壳运动的假说，进行反馈设计，以及建立有效的变形预报模型。 变形监测技术的未来发展趋势： 1）多种传感器、数字近景摄影、全自动跟踪全站仪和GPS的应用，将向实时、连续、高效率、自动化、动态监测系统的方向发展； 2）变形监测的时空采样率会得到大大提高，变形监测自动化可为变形分析提供极为丰富的数据信息； 3）高度可靠、实用、先进的监测仪器和自动化系统，要求在恶劣环境下长期稳定可靠地运行； 4）实现远程在线实时监控，在大坝、桥梁、边坡体等工程中将发挥巨大作用，网络监控是推进重大工程安全监控管理的必由之路。 1.什么是监测网平差的基准，平差基准有哪三种类型？ 固定基准位于变形体之外，在各观测周期中认为是不变的，以作为测定变形点绝 对位移的参考点。在监测网平差中，我们通常将变形参考系称为基准，监测网平 差时必须考虑网点位置及其位移的参考基准。如果基准不统一，形变量中就会混 入基准误差；如果基准定义不当，也会给形变分析带来困难。 监测网平差的基准固定基准—经典平差，重心基准—自由网平差，局部重心基准—拟稳平差监测点位布置：必须安全、可靠，布局合理，突出重点，并能满足监测设计及精度要求，便于长期监测。 沉降观测工作点的布设：1）沉降监测工作点应布设在最有代表性的部位，还要考虑到建筑物基础的地质条件，建筑物特征，建筑物内部应力分布状况等。2）工作点应与建筑物连接牢固，使工作点的高程变化能真正反映建筑物的沉降变化情况。3）工作点的点位应便于观
几种神经网络模型及其应用 摘要：本文介绍了径向基网络，支撑矢量机，小波神经网络，反馈神经网络这几种神经网络结构的基本概念与特点，并对它们在科研方面的具体应用做了一些介绍。 关键词：神经网络径向基网络支撑矢量机小波神经网络反馈神经网络Several neural network models and their application Abstract: This paper introduced the RBF networks, support vector machines, wavelet neural networks, feedback neural networks with their concepts and features, as well as their applications in scientific research field. Key words: neural networks RBF networks support vector machines wavelet neural networks feedback neural networks 2 引言 随着对神经网络理论的不断深入研究，其应用目前已经渗透到各个领域。并在智能控制，模式识别，计算机视觉，自适应滤波和信号处理，非线性优化，语音识别，传感技术与机器人，生物医学工程等方面取得了令人吃惊的成绩。本文介绍几种典型的神经网络，径向基神经网络，支撑矢量机，小波神经网络和反馈神经网络的概念及它们在科研中的一些具体应用。 1. 径向基网络 1.1 径向基网络的概念 径向基的理论最早由Hardy，Harder和Desmarais 等人提出。径向基函数（Radial Basis Function，RBF）神经网络，它的输出与连接权之间呈线性关系，因此可采用保证全局收敛的线性优化算法。径向基神经网络（RBFNN）是 3 层单元的神经网络，它是一种静态的神经网络，与函数逼近理论相吻合并且具有唯一的最佳逼近点。由于其结构简单且神经元的敏感区较小，因此可以广泛地应用于非线性函数的局部逼近中。主要影响其网络性能的参数有3 个：输出层权值向量，隐层神经元的中心以及隐层神经元的宽度(方差)。一般径向基网络的学习总是从网络的权值入手，然后逐步调整网络的其它参数，由于权值与神经元中心及宽度有着直接关系，一旦权值确定，其它两个参数的调整就相对困难。 其一般结构如下： 如图 1 所示，该网络由三层构成,各层含义如下： 第一层：输入层：输入层神经元只起连接作用。 第二层：隐含层：隐含层神经元的变换函数为高斯核. 第三层：输出层：它对输入模式的作用做出响应. 图 1. 径向基神经网络拓扑结构 其数学模型通常如下： 设网络的输入为x = ( x1 , x2 , ?, xH ) T，输入层神经元至隐含层第j 个神经元的中心矢 为vj = ( v1 j , v2 j , ?, vIj ) T (1 ≤j ≤H)，隐含层第j 个神经元对应输入x的状态为：zj = φ= ‖x - vj ‖= exp Σx1 - vij ) 2 / (2σ2j ) ，其中σ(1≤j ≤H)为隐含层第j个神
辽宁工程技术大学 教学方案 （2013~2014学年第二学期） 课程名称变形分析与预报理论轮 所属院系测绘与地理科学学院 制定人杨帆
第一章绪论 1. 变形监测的内容、目的与意义 变形监测的基本概念 变形监测的内容 变形监测的目的和意义 2.变形监测技术及其发展 3.变形分析的的内涵及其研究进展 变形分析方法简介 变形分析研究的发展趋势 第二章绪论 第2.1 变形监测技术与方案设计 变形监测内容的确定 监测方法、仪器和监测精度的确定 监测部位和测点布置的确定 变形监测频率的确定 综合变形监测系统 2.2 监测数据处理方法 1.变形监测网的数据处理 (1).平均间隙法加最大间隙法 (2).卡尔曼滤波法 2.变形监测点的数据处理 （1）回归分析法 （2）其他方法
2.3 变形监测资料分析及成果表达与解释 资料整理的主要内容 观测资料分析阶段 资料分析常用方法 提交成果资料 成果表达 成果解释 需要回答以下问题： 1. 性质：是为什么性质的监测？状态安全监测还 是交通安全监测或运行安全监测； 2. 是否需在不同荷载情况下，对变形体的变形模 型做检验验证？ 3. 是否需根据岩土力学性质建立物理力学模型？ 4. 工程整治的效果怎样？ 5. 是否需对地球物理假设进行验证？ 6. 是否需对工程建筑物进行监测和检验？ 7. 采取措施后是否需做建筑物的安全证明？ 2.4 监测数据处理平差程序设计与实现 监测数据处理平差程序设计（实验） 1.秩亏自由网平差原理 精度评定 程序设计 设计CLeve 类 各个函数的实现（见程序：） 在菜单中实现计算 计算结果 参考文献： 本章主要内容： 变形监测内容的确定 监测方法、仪器和监测精度的确定 监测部位和测点布置的确定 变形监测频率的确定 综合变形监测系统 控制网优化设计问题的分类及解法
沉降监测中几种预测模型的建立总结 要：通过现场监测及时掌握工程进展状况和环境变化，对工程的安全稳定具有十分重要的意义，尤其是沉降监测的实时处理与预警。本文结合某工程实际沉降监测数据建立起了几种预测模型，并对其发展趋势进行了预测。 关键词：监测；沉降；预测；模型 1 引言 随着建筑行业的发展，各种工程建筑的规模越来越大，对工程的精密控制要求也越来越高，因为一旦发生某种疏忽，对工程的打击将是致命的。为了及时发现工程中的不稳定因素，我们必须实时了解周边土体以及建筑物的沉降变化，以便及时采取补救措施，确保施工过程的稳定安全，减少和避免不必要的损失[1]。在工程中，通过对资料的研究和分析，确定监测项目及监测实施方法，并建立相应预测模型，通过将监测数据与预测值作比较，既可以判断上一步施工工艺和施工参数是否符合或达到预期要求，同时又能实现对下一步的施工工艺和施工进度控制，从而切实实现信息化施工[2]。因此，建立起预测模型，以便进行控制和检查，对沉降监测是相当重要的。目前，用于变形监测的预报模型主要有回归分析模型、时间序列模型（AR）、灰色系统预测模型（GM）、Kalman 滤波模型和人工神经网络模型等，各种预测方法有其优缺点。本文通过结合某工程的实测沉降数据，分别用回归分析中的对数曲线模型、时间序列模型（AR）、灰色系统预测模型（GM）对其沉降进行了预测，并对建立起来的三个模型进行了精度分析与比较。
2 监测数据处理 在监测施工中，由于观测设备各种故障或人为读数误差，观测数据中往往会混入一些无效数据，这些数据不能客观地反映出变化情况。因此，为避免错误的发生，在数据分析前，最好先进行粗差的检测和剔除。如果一组观测值若混有粗差值而没有被剔除，则将影响最后分析预测结果。为了得到精度更高的结果，我们必须对观测值进行正确的取舍，剔除观测数据中的粗差。一般的数据取舍原则有莱依达原则、格拉布斯准则、t检验准则、肖维勒准则以及狄克逊准则等[3]。本文采用格拉布斯准则对数据进行粗差的剔除。 格拉布斯准则是在未知总体标准差情况下，对正态样本或接近正态样本异常值的一种判别方法。下面以某工程中特征点W137沉降数据为例，采用格拉布斯准则去除数据中的粗差。沉降数据见表1。 格拉布斯准则计算步骤如下[4]。 （1）首先计算平均值 （2）根据公式计算对应的残差，结果见表2。 （3）根据公式计算 （4）判断异常数据，将按大小排列 3 三种沉降预测模型 3.1 对数曲线模型[5] 对数曲线法就是把实测沉降历时曲线看成是沉降随时间缓慢增加的对数曲线，对数曲线的方程为 式中，t 为时间；为t 时刻的沉降；a、b 为待定系数。
神经网络 在石灰窑炉的建模与控制中的应用神经网络应用广泛，尤其在系统建模与控制方面，都有很好应用。下面简要介绍神经网络在石灰窑炉的建模与控制中的应用，以便更具体地了解神经网络在实际应用中的具体问题和应用效果。 1 石灰窑炉的生产过程和数学模型 石灰窑炉是造纸厂中一个回收设备，它可以使生产过程中所用的化工原料循环使用，从而降低生产成本并减少环境污染。其工作原理和过程如图1所示，它是一个长长的金属圆柱体，其轴线和水平面稍稍倾斜，并能绕轴线旋转，所以又 CaCO（碳酸钙）泥桨由左端输入迴转窑，称为迴转窑。含有大约30%水分的 3 由于窑的坡度和旋转作用，泥桨在炉内从左向右慢慢下滑。而燃料油和空气由右端喷入燃烧，形成气流由右向左流动，以使泥桨干燥、加热并发生分解反应。迴转窑从左到右可分为干燥段、加热段、煅烧段和泠却段。最终生成的石灰由右端输出，而废气由左端排出。 图1石灰窑炉示意图 这是一个连续的生产过程，原料和燃料不断输入，而产品和废气不断输出。在生产过程中首先要保证产品质量，包括CaO的含量、粒度和多孔性等指标，因此必须使炉内有合适的温度分布，温度太低碳酸钙不能完全分解，会残留在产品中，温度过高又会造成生灰的多孔性能不好，费燃料又易损坏窑壁。但是在生产过程中原料成分、含水量、进料速度、燃油成分和炉窑转速等生产条件经常会发生变化，而且有些量和变化是无法实时量测的。在这种条件下，要做到稳定生产、高质量、低消耗和低污染，对自动控制提出了很高的要求。 以前曾有人分析窑炉内发生的物理-化学变化，并根据传热和传质过程来建立窑炉的数学模型，认为窑炉是一个分布参数的非线性动态系统，可以用二组偏
名称解释 1.变形监测：变形监测是对被监测的对象或物体（简称变形体）进行测量以确定其空间位置及内部形态随时间的变化特征。 2.瞬间变形：是指在短时间荷载作用下发生的瞬间变形。 3.液体静力水准测量：也称连通管测量，是利用相互连通的且静力平衡时的液面进行高程传递的测量方法。 4.长周期变形：指在比较长的时间段内发生的循环变形过程。 5.变形监测点：是直接埋设在变形体上的能反映建筑物变形特征的测量点，又称观测点，一般埋在建筑物内部，并根据测定他们的变化来判断这些建筑物的沉陷与位移。 6.视准线法：利用经纬仪或视准仪的视准轴构成基准线，通过该基准线的铅垂面作为基准面，并以此铅垂面为标准，测定其他观测点相对于该铅垂面的水平位移量的一种方法。 7.引张线：在两个工作基点间拉紧一根不锈钢丝而建立的一条基准线。 8.挠度：建筑物在应力作用下产生弯曲和扭曲，弯曲变形时横截面形心沿与轴线垂直方向的线位移成为挠度。 9.深层水平位移：基坑围护桩墙和土体在不同深度上的水平位移。 10.土体分层沉降：指地表以下不同深度土层内点的沉降或隆起。 11.基坑回弹：基坑开挖后，由于卸除地基自重，引起基坑底面及坑外一定范围内土体相对于开挖前的回弹变形。 12.激光垂准法：利用激光垂准仪，测定建筑物底部和顶部距离垂准激光束的距离差，从而计算建筑物某轴线（某一面）的倾斜度。 13.正垂线：将钢丝上端悬挂于建筑物顶部，通过竖井至建筑物的底部，在下端悬挂重锤，并放置在油桶之中便于垂线的稳定，以此来测定建筑物顶部至底部的相对位移。 14.倒垂线：将钢丝的一端与锚块固定，而另一端与浮托设备相连，在浮力作用下，钢丝被张紧，只要锚块稳定不动，钢丝将始终位于同一铅垂线位置上，从而为变形监测提供一条稳定的基准线。 15.土体回弹测量：测量地铁盾构隧道掘进后相对于地铁盾构隧道掘进前的隧道底部和两侧土体的回弹量。 16.桥面挠度：是指桥面沿轴线的垂直位移。 简答 1.变形监测的主要目的有哪些? （1）分析和评价建筑物的安全状态（2）验证设计参数（3）反馈设计施工质量（4）研究正常的变形规律和预报变形的方法 2.变形监测的主要内容有哪些? （1）现场巡视（2）位移监测（3）渗流监测（4）应力监测（5）环境量监测（6）周边监测 3.变形监测点分哪几类?各有什么要求? 1）基准点：基准点埋设在稳固的基岩上或变形区域以外,尽可能长期保存，稳定不动，每个工程一般应建立3个基准点,以便相互校核,确保坐标系统的一致。当确认基准点稳定可靠时,也可少于3个。 2）工作点：工作点又称工作基点，它是基准点与变形观测点之间起联系作用的点。工作点埋设在被研究对象附近,要求在观测期间保持点位稳定,其点位由基准点定期检测。 3）变形观测点：变形观测点是直接埋设在变形体上的能反映建统物变形特征的测量点,又称观测点。一般埋设在建筑物内部,并根据测定它们的变化来判断这些建筑物的沉陷与位移。