在线黄色毛片,美女视频黄色网址,国产超级乱婬av片,2022年精品国产福利在线,色五月激情五月,激情视频网站,亚洲视频欧美

<acronym id="2txf1"><nobr id="2txf1"></nobr></acronym>

^{<pre id="2txf1"><cite id="2txf1"></cite></pre>}

<label id="2txf1"><em id="2txf1"></em></label>

會員中心
加入VIP
微信

客服微信網站公眾號

　煤礦　化工　建筑
　機械　電力　冶金
　消防　交通　特種

　論壇　活動　視頻
　問答　投稿　 MSDS
　簽到　超市　招聘

導航：安全管理網>> 安全論文>> 建筑安全論文>>正文

基于蟻群優(yōu)化神經網絡的混凝土壩位移安全監(jiān)控模型

文檔作者：牛景太，魏博文2 文檔來源： 1．南昌工程學院水利與生態(tài)工程學院 2．南昌大學		點擊數：	更新時間： 2024年02月22日
下載地址：點擊這里	文件大?。?226.53 KB 共3頁	文檔格式： PDF	下載點數： 1 點（VIP免費）

內容預覽 [文件共3頁]

本文件共3頁，如需編輯使用，請下載。

注：預覽效果可能會出現部分文字亂碼（如口口口）、內容顯示不全等問題，下載是正常的。

	文件大小：226.53 KB 共3頁文件格式：PDF 下載點數：1 點（VIP會員免費）

下一篇：混凝土結構設計中人的因素對其安全性能的…

上一篇：建筑結構安全性鑒定評級中的混凝土構件抗…

文本預覽

僅提取頁面文字內容，供快速閱讀使用。

第48卷第7期
2012年7月
甘肅水利水電技術
GANSU WAI玨t R琰 I】】麟ANDⅡ如)I舊pD1愀如瞄ⅡN0U，c．Y
V01．48．No．7
Jd．，2012
· 設計與研究·
基于蟻群優(yōu)化神經網絡的混凝土壩位移安全監(jiān)控模型
牛景太 ，魏博文2
(1．南昌工程學院水利與生態(tài)工程學院，江西南昌330099；
2．南昌大學建筑工程學院，江西南昌 330031)
摘要：反向傳播算法(BP)作為一種多層前饋神經網絡模型廣泛應用于水利工程監(jiān)測資料分析中，文中考慮到該算法
在求解過程中精度較低、搜索速度慢和易于陷入局部極小值等缺點，將蟻群算法(ACO)引入其中，并提出了一種基
于蟻群優(yōu)化神經網絡的計算方法，通過對該模型中的權值進行尋優(yōu)求解，構建了混凝土壩位移監(jiān)控的ACO—BP模
型。最后。通過實例證明了文中所建模型的合適性和快速性。鑒于此模型的有效性，為大壩的安全監(jiān)控和風險預警提
出了一種新的評價依據。
關鍵詞：蟻群算法；神經網絡；位移；監(jiān)控
中圖分類號： Ⅳ698．1 1 文獻標志碼：A 文章編號：2095-0144(2012)07—0039—03
1 前言
神經網絡具有復雜的非線性映射能力、函數逼
近和大規(guī)模并行分布處理能力。神經網絡中應用最
普遍的是多層前饋網絡模型，其中BP算法因其依
據堅實、推導過程嚴謹、通用性強而得到了廣泛的應
用。由于BP學習算法[1]采用的是沿梯度下降算法．
所以，訓練通常需要很長時間才能收斂，而且不可避
免地會遇到局部極小的問題。
蟻群算法(ant colony system)是2O世紀9O年代
提出的一種新型的模擬進化算法，它是由意大利學
者M．Dorigo等人首先提出來的，[2 稱之為蟻群系統(tǒng)，
并成功應用于一些實際問題，如TSP問題、分配問
題、job—shop調度問題，并取得了一系列較好的實驗
結果。[ ·
本文將蟻群算法和神經網絡結合起來，可兼有
神經網絡的廣泛映射能力和蟻群算法的快速、全局
收斂以及啟發(fā)式學習等特點， 】在某種程度上避免
了神經網絡收斂速度慢，易于陷入局部極小點的問
題。利用蟻群算法學習神經網絡的權值，將二者結
合起來可解決非線性模型的辨識問題。
2 蟻群優(yōu)化神經網絡訓練
2．1 基于蟻群算法的神經網絡訓練
大多數神經網絡都使用梯度下降法進行訓練．
例如反向傳播算法(BP)。這種算法具有收斂時間
長、易于陷人局部極值等缺陷。[9,10】蟻群算法是一種
全局優(yōu)化的啟發(fā)式算法，因此用它來訓練神經網絡
的權值?？杀苊釨P算法的缺陷。算法基本思想是：
假設網絡中有n個參數，它包括所有權值或閾值。
首先，將神經網絡參數P (1耋i耋n)設置為jv個隨
機非零值，形成集合 。蟻群從蟻巢出發(fā)去尋找食
物，即每只螞蟻在集合 中選擇一個權值。螞蟻的
數目為h， ( )表示集合 (1 i耋m)的第．『個元
素p ( )的信息素。螞蟻搜索時，不同的螞蟻選擇元
素是相互獨立的，每只螞蟻從集合 出發(fā)，根據集
合中每個元素的信息素和公式(1)從每個集合 中
選擇1個元素。當螞蟻在所有集合中完成選擇元素
后，它就到達食物源，然后調節(jié)集合中元素的信息
素。這一過程反復進行，當全部螞蟻收斂到同一路
徑?；蜻_到給定的迭代次時搜索結束。
2-2 蟻群算法的主要步驟
(1)令時間t和循環(huán)次數NC為零，設置最大循
環(huán)次數ⅣIn唧，令每個集合中的每個元素的信息素
~i(1pi)(t)=C，且 ( )=O，將全部螞蟻置于蟻巢。
(2)啟動所有螞蟻，對螞蟻k(．j}=l，? ， )，根據
下述路徑選擇規(guī)則計算的概率用輪盤轉法選擇集
合厶的元素。路徑選擇規(guī)則：對集合厶，螞蟻k根
據式(1)計算的概率Prob隨機地選擇它的第f個元
素。
收稿日期：2012-07—06
基金項目：①江西省科技支撐項目(2010BSA16800)
②水利部公益性行業(yè)專項項目：農村小河流綜合治理關鍵技術研究與示范(201201016)
作者簡介：牛景太(1977一)，男，山東東明人，講師，博士研究生，研究方向：水工結構及水工建筑物安全監(jiān)控。
· 39 ·
2012年第7期 甘肅水利水電技術 第48卷
Prob( (厶i))=( ( ))， ( ) (1)
(3)重復步驟(2)，直到蟻群全部到達食物源。
(4)令t一抖m，Ⅳc．一一Ⅳc+1；利用各螞蟻選擇的
權值計算神經網絡輸出和誤差，記錄當前最優(yōu)解。
根據下面的信息素調節(jié)規(guī)則更新每個元素的信息
素。信息素調節(jié)規(guī)則：隨著時間的推移，先前留下的
信息素逐漸消逝，用參數p(O~p≤1)來表示信息素
的持久性，則1_p表示信息素的消逝程度。經過m
個時間單位，螞蟻從蟻巢到達食物源，各路徑上的信
息素要根據下式作調整。
( )(￡+ )= ( )(t)+△ ( ) (2)
ArAb,)= ( ) (3)
△ (，Pi)表示第后只螞蟻在本次循環(huán)中，在集合
的第 個元素 ( )上留下的信息素，可用下式來
計算。
篙 ㈤
式中：Q是常數，用于調節(jié)信息素的調整速度；e 是
將第k個螞蟻選擇的一組權值作為神經網絡的權值
時的輸出誤差，定義為ek=[O一0 l；式中：0和0 是神
經網絡的實際輸出和期望輸出。誤差越小，相應信
息素的增加就越多。
(5)如果螞蟻群全部收斂到一條路徑或循環(huán)次
數 ≥Ⅳ ，則循環(huán)結束，輸出最佳路徑。否則轉
步驟(2)。
3 大壩變形的AC0一BP監(jiān)測模型
由大壩監(jiān)測資料分析可得，大壩結構各個部位
的位移(即變形)變化與水壓日、溫度 等環(huán)境量有
關，因此，變形安全監(jiān)控網絡模型的輸入層節(jié)點數
目取決于影響變形觀測量的因子數，可將用于位移
預報的網絡輸入變量擬定為f實測值y、水位日、溫
度 、時效01。對于本文訓練實例中，其預報統(tǒng)計模
型[】 ]可以擬定為：
g=ao+喜aiM + f=1 i=l L sin JVJ cos u—J l+c1。
(4)
研究表明，若輸入層的節(jié)點數為 ，則當隱含層
具有2T+1個節(jié)點時。3層BP網絡可以任意精度逼
近任何一個可微函數。輸出結果為大壩某測點變形
監(jiān)測量，因此網絡輸出層的節(jié)點數為1。
對于神經元激活函數采用Sigmoid函數。即
)=(1+exp( 一 ))
· 40 ·
(5)
當數據在遠離0的區(qū)域學習時，因為在飽和區(qū)
段，學習收斂速度比較慢，甚至于出現麻痹現象。為
此將訓練樣本數據開始之間先進行標準化，設 為
標準化前的因子變量； 為標準化后的因子變量；
為因子變量的最大值； 血為因子變量的最小
值。則相應標準化后的變量為：
X =( — Ⅱin)／( ) (6)
這樣本樣本數據均在(0，1)之間，在未減少數據
間聯(lián)系的情況下，可以大大加快了網絡的學習速度，
而數據間的聯(lián)系并不減少。
4 工程應用
4．1 工程資料
某混凝土重力壩，壩頂高程280 m，最大壩高
78 m，壩頂全長253 m，共分13個壩段，從左往右編
號為2 14 。其中河床中部6 11 壩段設有6孔溢
洪道，河床4個溢流壩段為寬縫重力壩，其余檔水壩
段為實體重力壩。選取了典型 壩段2002—2005年
壩頂水平位移前900個觀測數來訓練。剩下64個數
據用來檢驗。應用上述理論建立位移預報模型。模型
為多輸入單輸出模式，即輸出量是實測值，水位、溫
度、時效，輸出量為監(jiān)控預報值。當訓練達到3 600
次時。誤差函數趨于穩(wěn)定。模型訓練結果與實測值對
比曲線圖如圖l所示。
l
蠢
日期
圖1 模型擬合曲線(實線為實測值。虛線為擬合值)
- 31
4．2 兩種模型3種評價指標的比較
為了對文中ACO—BP模型的精度更清晰的了
解，文中將ACO—BP模型和傳統(tǒng)的統(tǒng)計模型進行對
比分析，利用以下3種統(tǒng)計評價指標。
平均絕對百分比誤差：
： 訂 Y (7)
t
均方誤差：
■■———一
腳 一 (8)
平均決定誤差：
MAE= 一 I (9)
第7期 牛景太，等：基于蟻群優(yōu)化神經網絡的混凝土壩位移安全監(jiān)控模型 第48卷
對于ACO—BP模型與統(tǒng)計模型的歷史樣本的
擬合效果作定量比較。表1給出了ACO—BP模型與
統(tǒng)計模型的3種統(tǒng)計評價指標計算結果。由表1可
見．ACO—BP模型的擬合效果明顯優(yōu)于統(tǒng)計模型。即
便統(tǒng)計預報方法往往擬合效果較好，但實際預報能
力有時不一定與擬合效果一致。
表1 兩種模型三種評價指標的比較
5 結語
本文考慮到反向傳播算法在求解過程中精度較
低、搜索速度慢和易于陷入局部極小值等缺點．將蟻
群算法(ACO)引入其中，取得以下結果：
(1)ACO—BP模型應用于大壩變形監(jiān)控預報分
析中是可行的，其預報精度優(yōu)于常規(guī)的統(tǒng)計模型；
(2)利用蟻群算法特有的快速全局收斂特性，
可以有效地解決神經網絡結構設計和學習中的精度
低、收斂慢等缺陷；
(3)蟻群算法在大壩安全監(jiān)測神經網絡預報模
型建立中的應用尚屬起步階段，僅限于前饋網絡的
設計，對于復雜問題中的應用還需進一步的研究，從
而提高網絡結構優(yōu)化計算能力。
參考文獻：
[1]Garson G D．Interpreting neural network connection weights
lJ]．AI Expert，1991，6(7)：47-51．
[2]DORIGOM，MANIEZZOV，COLORNIA．Ant system：oF--
fimization by a colony ofcoperating agent【J J．IEEE Trans
on System，Man，and Cybernetics，1996，26(1)：29-41．
[3 J DORIGO M，GMBARDEUA L M．A cooperative learning
approach to the traveliing salesman pmblem一[J]．IEEE
Trans on Evolutionary Computation，1997，t(I)：53—66．
[4]COLORNI A．Heuristics from nature for hard eombinatorial
optimization problems[J]．Int Trans in Opnl Res，1996，3
(1)：l一21．
[5]洪炳熔，金飛虎，高慶吉．基于蟻群算法的多層前饋神經
網絡[J]．哈爾濱工業(yè)大學學報，2003，35(7)：823—825．
[6]梅紅，王勇，趙榮齊．基于蟻群優(yōu)化的前向神經網絡[J]．
武漢理工大學學報：交通科學與工程版，2009，33(3)：
53l—533．
[7]趙勝穎，高廣春．基于蟻群算法的選擇性神經網絡集成方
法[J]．浙江大學學報：工學版，2009，43(9)：1568—1573．
[8]師彪，李郁俠：于新花周旺．動態(tài)調整蟻群一BP神經網絡模
型在短期負荷預測中的應用[J]．水力發(fā)電學報，2011，30
(3)：5—9．
[9]Maniezzo V，Carbonaro A．An ants heuristic for t helm—
quency assignment pro blem 【J J．Future Gener ationComputer
System~，2000，16：927—935．
[1O]蘇懷智，吳中如，溫志萍，沈振中．遺傳算法在大壩安全
監(jiān)控神經網絡預報模型建立中的應用[J]．水利學報，
2001(8)：44—48．
[11]吳中如．水工建筑物安全監(jiān)控理論及其應用[M]．北京：
高等教育出版社，2003．
(上接第29頁)庫容約5 000萬m3，提高了防洪標
準，對上下游都極為有利。如2010年水庫遭遇到2O
年一遇的洪水標準，由于提前將加大負荷發(fā)電。預騰
庫容，增大防洪庫容8 000萬m，．此次洪水過程削峰
率61．12％，確保了下游的防洪安全，1999年同量級
的洪水對下游造成損失約2 000萬元。
6 結語
汛限水位分期、動態(tài)控制的關鍵的時期是實時
調度，其經濟效益與社會效益是巨大的。汛限水位
分期、動態(tài)控制的相結合的試運行．為充分利用洪水
資源及水能資源，科學合理的利用水庫防洪與興利
的“重疊”庫容，達到保證興利蓄水及提高防洪能力
提供有力保障。某水庫正是試行運用了汛限水位分
期、動態(tài)控制的理念，在2010年安全防洪度汛．取得
了一定的經濟效益、社會效益。既保障了下游防洪安
全，又完成了興利蓄水目標。
參考文獻：
[1]王本德，周惠成．水庫汛限水位動態(tài)控制理論與方法及其
應用[M]．北京：中國水利水電出版社，2006．
[2]遼寧省水利廳．防洪調度新方法及應用[M] 匕京：中國水
利水電出版社，2007．
[3]譚培倫．綜合利用水庫調度[M]．北京：水利電力出版社，
1990
· 41 ·

網友評論 more

建筑安全論文最新內容

03-05

汽車運輸毛石直接上壩…

03-05

水工瀝青混凝土低溫抗…

03-05

桃源水庫工程施工導流…

03-05

長潭水庫安全生產標準…

03-05

中小河流防洪治理河道…

02-22

高層混凝土結構施工階…

02-22

混凝土結構設計規(guī)范安…

02-22

122m預應力混凝土連續(xù)…

建筑安全論文熱點內容

82280

淺析進一步加強項目…

41089

安全意識與安全教育

39950

淺談如何做好安全管理

36431

建設工程安全生產的…

32287

項目安全管理淺談

27261

淺談工地現場安全文…

21431

淺談建設工程施工安…

19312

施工現場安全事故預…

相關內容

水泥混凝土內部缺陷陣列…

高強鋼筋網活性粉末混凝土…

公路嵌壓式瀝青混凝土鋪裝…

公路裝配式鋼筋混凝土箱涵…

裝配整體式混凝土剪力墻結…

創(chuàng)想安科網站簡介會員服務廣告服務業(yè)務合作提交需求會員中心在線投稿版權聲明友情鏈接聯(lián)系我們

<input id="jcoxz"></input>

<tr id="jcoxz"></tr>

<pre id="jcoxz"></pre>

<tr id="jcoxz"></tr>

<pre id="jcoxz"><option id="jcoxz"></option></pre>