基于卡尔曼滤波的BP神经网络在滑坡监测的应用

雷鸣?贾凯华

摘 要：变形监测是大型建筑物、构筑物安全运营的保障性工作，为避免灾害的发生，则需要进行相应的预测预警。传统方法BP神经网络在滑坡监测中容易陷入局部极小，收敛速度慢，网络泛化能力弱等缺陷。为此本文提出基于卡尔曼滤波的BP神经网络方法，通过对观测数据进行滤波处理，用滤波数据处理进行相关训练。能很好的提高BP神经网络的性能，具有较高的预测精度。

关键词：kalman滤波；BP神经网络；预测；模型误差

基金项目：江西科技学院规划建设学科（结构工程）

资助项目：1、基于激光点云数据的窗户提取技术研究，编号ZR14QN05 2、2010年江西省特色专业建设项目（土木工程）

1 BP神经网络模型

1.1 BP神经网络的算法

BP神经网络的主要过程是由信息的正向传播和误差的反向传播两个过程组成。第一阶段（正向传播）：输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；最后传递到输出层，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。

2 卡尔曼滤波

2.1 卡尔曼滤波的原理

卡尔曼滤波是以最小均方误差为估计的最佳准则，来从观测量中估计出所需信号的滤波算法。其最大特点是能够剔除随机干扰误差，從而获取逼近实际情况的有用信息[5-6]。

3 应用实例

本文利用基于卡尔曼滤波的BP神经网络模型的方法，对江西省井冈山市某滑坡的变形监测数据进行分析。选取滑坡变形监测的沉降数据，首先利用卡尔曼滤波对其进行数据处理，剔除随机误差扰动的影响，再利用所得到的滤波值建立BP神经网络模型进行预测，通过与观测数据的对比，来验证模型的可行性。

3.1 卡尔曼滤波方程的建立

一般在变形测量中，常用的卡尔曼滤波模型一般为和模型，这两种模型都是将监测点的变形过程看成是一个随机过程。本文采取的是模型，把滑坡监测点的位置和速率作为运动的状态向量， 将沉降加速度看作状态方程的动态噪声。

4.1 基于卡尔曼滤波算法的BP模型

针对BP模型在变形监测的预测方面的局限性，采用原始观测数据的卡尔曼滤波值进行BP神经网络模型建模，由此模型得到预测结果：

由表三可以看出，由于卡尔曼滤波算法能很好的剔除数据干扰，在对数据进行滤波处理后，得到的预测值与观测值比较接近，残差相对较小，其残差分别为3.75%，1.57%，3.91%，较传统BP模型预测的精度有明显的提高，能更好的反应目标的变化趋势。

5 结束语

本文针对传统BP模型的缺陷，提出基于卡尔曼滤波的BP神经网络算法，在一定程度上改进BP算法的缺点，提高网络泛化能力，更好的模拟了动态目标系统的变化规律，表明基于卡尔曼滤波的BP神经网络方法是一种更有效地预测方法。

参考文献

[1]夏开旺，石双忠，杨永平.卡尔曼滤波在变形监测数据处理中的应用[J].三晋测绘，2004（12）

[2]盖玲.时间序列建模、预报的原理与应用实例：[学位论文].沈阳：辽宁师范大学，2004

[3]邓聚龙.灰理论基础[M].武汉：华中科技大学出版社.2002.

[4]董长虹.神经网络与应用[M].北京：国防工业出版社，2005.