基于BP神经网络的沉降预测模型应用

王成栋，霍成胜，孟军海，张彩霞，张永胜

(青海省第三地质矿产勘查院，青海 西宁 810029)

基于BP神经网络的沉降预测模型应用

王成栋，霍成胜，孟军海，张彩霞，张永胜

(青海省第三地质矿产勘查院，青海 西宁 810029)

摘要：人工神经网络是一个拥有高度非线性映射能力的计算模型，有较强的动态处理能力，在对其进行研究的基础上，利用MATLAB建立了BP神经网络的建筑物沉降预测模型，用于指导建筑物的沉降预警工作。通过将建筑物沉降的实测数据和模型的预测数据进行对比分析发现，两者间的误差相对较小，预测模型能很好地反映出建筑物沉降的发展趋势，对于建筑物沉降预警工作有着极其重要的意义。

关键词：BP神经网络；建筑物沉降；预测模型；沉降预警

1BP神经网络预测模型

1.1网络的层数

BP神经网络拥有极强的非线性映射能力，通过输入层到输出层的函数计算来完成。较多的隐含层的建立，虽然能提高网络的训练速度，增加人工神经元网络处理能力，但是训练时间也会随之增长，使训练复杂化。理论上讲，对于1个3层的BP网络，只要隐含层神经元的数目适合，网络就可以任意精度去逼近一个非线性的函数[3-4]。

1.2网络中隐含层神经元个数的确定

BP神经网络算法中，各个层的节点数的多少对网络有着较大的影响，但是，如何确定BP神经网络在隐含层神经元个数仍然没有理论研究成果，大多以经验来判断。若隐含层神经元个数太少，则网络很难识别样本，难以完成训练，网络的容错性也随之较低；若隐含层的神经元数目选择过多，会使网络的迭代次数增加，延长了网络的训练时间，同时网络的泛化能力降低，预测能力下降。本文的研究实例中，先利用经验公式初步确定隐层神经元的个数，再通过对神经元个数的不断调整训练对比，最终确定一个最合适的隐含层神经元数目。隐含层神经元个数确定的公式如下[5]：

(1)

式中，i是隐含层神经元的个数；n是输入层神经元的个数；m是输出层神经元的个数；a是常数，取值范围为1

2工程应用

2.1工程概况

某地铁施工需监测周边建筑物安全，该建筑物建为8层砼结构，在隧道施工期间，对该建筑物进行了不间断的沉降观测。监测点均匀的布设在建筑物的四周主体墙面底部，利用徕卡高精度电子水准仪对该建筑物进行沉降观测。

现选取靠近隧道暗挖部分的5个测点的30期沉降数据进行研究，即点YP2、YP3、YP4、YP5、YP6。由于该侧测点距离隧道较近，在施工期间建筑物发生了一定的不均匀沉降。建筑物点位示意图如图1所示。取前20期数据作为训练样本，数据见表1。在MATLAB中，利用BP神经网络进行网络训练，然后用训练好的网络来预测接下来10期的数据。

企业收入来自资本收益，企业投资主要是形成固定资本。居民收入来自企业分配的收入、土地要素回报、劳动者报酬和各类转移支付，在缴纳个人所得税后，采用扩展的线性支出系统将可支配收入用于储蓄和商品消费。政府收入主要来源于各种税收，例如个人所得税以及企业所得税等等。政府支出主要用于购买各种公共产品、向居民提供转移支付等。

图1　建筑物点位示意图

表1监测点YP2、YP3、YP4、YP5、YP6前20期监测数据(mm)

测量期数测点累计沉降YP2YP3YP4YP5YP61-0.5-1.2-2.1-1.5-0.92-0.8-1.7-2.8-1.9-1.33-1.3-2.1-3.5-2.3-1.64-1.7-2.7-3.9-2.6-2.25-2.0-3.3-4.7-3.5-2.66-2.3-4.2-5.4-4.5-3.07-2.9-5.6-6.6-4.9-3.38-3.6-6.4-7.4-5.8-3.89-4.2-7.3-7.9-6.5-4.210-4.9-7.9-8.6-7.1-4.411-5.5-8.5-9.2-7.6-4.912-6.1-9.0-9.8-8.1-5.813-6.8-9.4-10.7-8.5-6.314-7.4-9.9-11.9-9.3-6.715-8.5-10.3-12.5-9.8-7.416-9.1-10.8-13.1-10.9-7.917-9.8-11.2-13.9-11.8-8.518-10.6-11.8-14.5-12.5-9.019-11.4-12.8-14.9-13.4-9.720-11.7-13.3-15.6-14.0-10.1

2.2BP神经网络的实现

2.2.1建立网络

在MATLAB中，使用newff命令来建立BP神经网络。通过多次调试，最终确定隐含层的节点数目为30[6-9]。传递函数是BP神经网络的重要组成部分，又称为激活函数，其特点是必须连续可微，常用的有S型对数函数(logsig)或S型正切函数(tansig)和线性函数(purelin)。这里选用隐含层的激活函数为tansig 函数,选用的输出层激活函数为purelin函数。设置BP网络的学习函数为learngdm函数，即梯度下降动量学习函数，它是利用神经元的输入和误差、权值或阈值的学习率和动量常数来计算权值或阈值的变化率。BP网络的训练函数选为trainlm函数，即采用Levenberg_Marquardt算法，该算法是梯度下降法和拟牛顿法的结合。在网络具有几百个权值时，运用Levenberg_Marquardt算法可以达到较快的收敛速度，并且具有较高的计算精度。

2.2.2训练网络

在MATLAB中，对一个BP神经网络训练前，需要预先设置BP网络的训练参数。这里设置训练步数为5 000，训练精度为0.001，训练显示间隔次数为500。具体参数设置如下：

net.trainParam.epochs=5000;

net.trainParam.goal=0.001;

net.trainParam.show=500;

训练结果如图2所示。

图2　网络训练误差变化曲线

从网络训练误差变化曲线图上来看，当训练到达第93步时，便达到了所期望的精度，训练速度较快。

2.2.3网络仿真

利用sim命令对训练好的网络进行仿真，调用格式为：

Y=sim(net,X1)

(2)

2.3预测结果分析

对于建筑物的21～30期数据，利用建立的BP神经网络进行数据预测，并把预测结果与实测结果进行对比分析，对比结果见表2。

表2　监测点YP2、YP3、YP4、YP5、YP6预测值与实测值对比表(mm)

从表2可以看出，预测值与实测值间的最小误差为0，最大误差为1.1 mm，均方根误差为0.57 mm。预测值和实测值整体相符程度较高，预测结果较好地反应了测点缓慢下降的趋势，该模型也很好地指导了建筑物的沉降预警工作。

3结语

在BP神经网络预测模型建立的过程中，隐含层神经元个数的确定和训练算法的选择都对网络的训练速度和预测精度产生影响，理论上讲，并没有明确的要求和较好的指导，需要凭借个人的经验和经过多次的调试，以使其达到较好的训练效果。BP神经网络具有较强的非线性映射能力、函数逼近能力、模式识别与分类能力，网络性能较好。本文采用BP人工神经网络预测模型对建筑物的沉降进行了预测，取得了理想的结果，验证了BP神经网络在预测方面的准确性与高效性；同时，将BP神经网络预测模型应用到隧道周边建筑物沉降监测中，对于及时发现周边建筑物的异常情况并提前预警也有着极为重要的意义。

参考文献

[1] Simon H.神经网络原理[M]. 叶世伟，译.北京：机械工业出版社，2004.

[2] 方毅，花向红，李海英，等.灰色神经网络模型在建筑物变形预报中的应用[J] .测绘工程，2008(2):51-57.

[3] 胡伍生.神经网络理论及其工程应用[M].北京：测绘出版社，2006.

[4] 于先文，胡伍生，王继刚.神经网络在建筑物沉降分析中的应用[J].测绘工程，2004(4)：48-50.

[5] 周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.

[6] 巨军让，卓戎.B P神经网络在Matlab中的方便实现[J].新疆石油学院学报,2008,2(1):12.

[7] 王琛艳，郑治.人工神经网络在预测高速公路路基沉降中的应用[J].公路交通科技，2000(4)：7-10.

[8] 胡守仁.神经网络导论[M].长沙：国防科技大学出版社，1993.

[9] 米鸿燕，蒋兴华.基于灰色BP神经网络的沉降观测预测模型应用研究[J].昆明理工大学学报，2007(4)：27-30.

责任编辑李思文

Prediction Model of Settlement based on BP Neural Network

WANG Chengdong, HUO Chengsheng, MENG Junhai, ZHANG Caixia, ZHANG Yongsheng

(The 3thInstitute Geological and Mineral Exploration of Qinghai, Xining 810029, China)

Abstract:The artificial neural network (ANN) is a computing model that has highly nonlinear mapping ability and strong dynamic processing capabilities. In the paper, on the basis of deep research, Used MATLAB to build BP neural network of building settlement prediction model for guiding building settlement early warning. Compared with building settlement of the measured data and model forecast data, it was found that the error between the two is relatively small and the prediction model reflected the development trend of building settlement accurately. So it has an important significance for building settlement early warning

Key words:BP neural network, building settlement, prediction model, settlement warning

收稿日期：2014-12-05

作者简介：王成栋(1968-)，男，测绘工程师，主要从事工程测量、重力调查和GPS测量等方面的研究。

中图分类号：TU 433

文献标志码：A