论文部分内容阅读
本文在分析现有的大坝安全监控模型和安全评价方法的基础上,针对其中的BP神经网络模型收敛速度慢、易陷入局部极小、结果受初值影响大、稳定性差等缺陷,将BP神经网络与一些新颖的智能算法融合,构建了一系列的智能神经网络模型,并将其应用于大坝安全监控预报和安全评价中。本文的主要研究工作如下:针对BP神经网络收敛缓慢的缺陷,以L-M算法代替梯度下降法训练神经网络,建立了基于L-M算法的大坝安全监控整体LM模型和逐一LM模型。实例研究表明,整体LM模型和逐一LM模型的预测效果及训练速度均显著优于快速BP模型,逐一LM模型的预测精度及泛化能力均优于整体LM模型。为缩短预报周期,建立了基于径向基函数神经网络的大坝安全监控预报模型。实例研究表明,径向基函数神经网络模型具有良好的泛化能力,在预测精度及训练速度方面显著优于快速BP模型。针对BP神经网络计算结果受初值影响大、稳定性差、收敛速度慢、易陷入局部极小等缺陷,将遗传算法与基于L-M训练算法的BP网络结合构成了遗传神经网络;在此基础上建立了大坝安全监控逐一混合遗传模型和整体遗传模型。实例研究表明:逐一混合遗传模型和整体遗传模型的预报精度分别高于逐一LM模型和整体LM模型,且预报结果稳定;逐一混合遗传模型和逐一LM模型的预测精度分别高于整体遗传模型和整体LM模型;随着样本的积累,逐一混合遗传模型预报精度不断提高,预报速度很快,可以比较准确、有效地用于大坝监控量的实时预报。为提高遗传算法进化到一定阶段后的局部搜索能力,在遗传神经网络的基础上,引入单纯形法,构成遗传单纯形神经网络算法,并建立了基于遗传单纯形神经网络的大坝安全监控模型。实例研究表明:该模型较整体遗传模型、整体LM模型收敛性能好,具有较高的预报精度、较快的训练速度和较强的泛化能力,用于大坝监控预报有效可行。针对BP神经网络易陷入局部极小、收敛速度慢、计算结果受初值影响大的缺陷,将粒子群算法与基于L-M训练算法的BP网络结合构成了粒子群神经网络,在此基础上提出了大坝安全监控逐一粒子群模型和整体粒子群模型。实例研究表明:逐一预报模型(逐一粒子群和逐一LM)的预报精度明显高于对应的整体预报模型(整体粒子群和整体LM)的预报精度;与基于L-M算法的BP神经网络模型相比,粒子群神经网络模型不仅收敛速度明显加快,而且预报精度也有较大的提高,尤其是逐一粒子群模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监控量的实时预报。为克服传统的加权算术平均组合预测模型赋权的缺陷,进一步提高预测精度,引进诱导有序加权平均算子和诱导有序加权几何平均算子,分别提出基于诱导有序加权平均算子和基于诱导有序加权几何平均算子的大坝安全监控组合预测模型。实例研究表明,这两种组合预测模型的预测精度高于传统的加权平均组合预测模型和各种单一预测模型,用于大坝安全监控预报有效、可靠。针对大坝安全评价BP神经网络模型收敛速度慢,稳定性差的缺陷,在已有评价方法及理论的基础上,尝试将径向基函数神经网络用于大坝安全评价。以丰满大坝十个典型坝段的安全评价为例,验证了该方法的有效性。最后,总结了本文的主要研究内容及成果,并对有待进一步研究的问题进行了展望。