未来智讯 > 神经网络论文 > 基于遗传优化神经网络的边坡不变性评估

基于遗传优化神经网络的边坡不变性评估

发布时间:2019-04-26 15:51:09 文章来源:未来智讯    
探讨影响滑坡和边坡稳定性的因素之间的潜在关系。 仿真结果表明,BP神经网络在权重优化后得到的边坡稳定性判断准确率可达100%,比随机称重BP神经网络得到的54.5%提高了45.5%; BP神经网络在权重优化后得到的安全系数平均误差比随机权重BP神经网络提高了6.08%。 提高了BP神经网络的预测精度,是未来边坡稳定性实际应用评价的有效辅助方法。 关键词:遗传算法; BP神经网络; 重量优化; 边坡稳定性; 安全要素; 预测0运动经常造成重大损失,地面运动引起的滑坡也是一个非常重要的灾害,不同于坡度不变的前景。 严重[1? 3]。 滑坡的真实颜色是从梯度位移到突然宏观滑动的非线性混沌过程。 对于一些传统方法,斜率的不变性通常是有偏差的。 第一个原因是一般方法是解决非线性混沌问题。 当系统问题无法模仿时,参数因子之间的混沌因果关系无法模仿[4]。 从目前,可以看出滑坡是由许多模糊引起的,并且在诱发因子之间存在不确定性,分离,随机性和湍流联系[5-9]。 近年来,神经网络以其并行分布式处理和存储,高容错性,自组织,自适应和自我改进而重新出现。 它们已广泛应用于各种领域,如模式识别,信号处理和外观评估。 并取得了很好的效率[10? 13。 许多学者已经决定发现将神经网络应用于斜率不变性前景是可行的[2,14? 15]。 目前,当地学者使用反向传播(BP)神经网络来分析斜率不变性。 尽管存在不可避免的结果,但BP神经网络的训练速度较慢,很容易陷入某些极端。 训练速度和初始权重和阈值极其敏感,网络布局不易确定弱点[16],导致前景准确性低。 遗传算法(GA)由于其进化特征,在收集过程中不必要问题的内涵性质,可以直接处理线性,非线性,分离和后续问题; 遗传算法和传统优化要点(列出,介绍等)基于生物进化,良好的约束和强大的高端特征进行比较[17]。 此外,遗传算法具有出色的全局收集解决方案空间中所有解的能力,而不会陷入部分最优解的陡降陷阱; 并且运用其内涵并行性,可以促进分配。 策略,加快解决率。 在BP神经网络的基础上,首先运用遗传算法优化BP神经网络的初始权重和阈值,得到最佳的初始权重和阈值。 然后使用BP神经网络来研究和预测样本。 。 研究发现,遗传优化神经网络不仅可以利用遗传算法优化的特点,而且具有BP神经网络更好地预测未知样本的能力。 从仿真结果可以看出,遗传优化BP神经网络的预期精度得到了显着提高,表明在斜率不变性评估中具有不可避免的实际应用价值。 1领先于领先1.1 BP神经网络在人工神经网络中,最常用的是前馈神经网络。 它由Rumelhart等人提出。 在1986年,是一个单向的多层多层。 前向神经网络。 据统计,采用BP算法的神经网络模型已达到80%~90%。 BP神经网络选择反向偏差传播算法[18],主要包括信息的前向传播和偏差的反向传播。 图1显示了一个三层BP神经网络,它首先包括输入层,隐藏层和输出层。 输入层中的神经元仔细接收输入信息并将其传输到中心层的神经元; 中心层是内部信息处理层,信息经过精心改造; 输出层仔细输出每个神经元的字母。利益。 每次完成训练的前向传播时,如果实际输出与预期输出不匹配,则输入偏差的反向传播阶段。 偏差由输出层决定,神经元的权重根据偏差梯度的模式周期性地和周期性地调整,直到获得网络输出值与期望值之间的偏差的平方,并且预定 达到偏差值或达到预设的训练次数。 到目前为止,确定了最终输出值[19]。 1.2遗传算法遗传算法(GA)是一种寻求模拟达尔文生物进化的自然选择和孟德尔遗传机制的生物M过程以找到最优解的方法。 图2是遗传算法的流程图。 遗传算法的基本思想是:从一群优化问题的出发点出发,根据适者生活原则和适者生存原则,产生一代更好更好的世代。 在每一代中,根据个体遵从的质量,将部分良好的身体复制到下一代,并且它是交织和变异的,并且代表新解决方案聚合的群体发生[20]。 这个过程将导致人口像自然进化。 后代人群对情况的反应比父母更为敏感。 整个演化过程中最好的个体是问题的最终解决方案。 它的脾气是一种高效,并行和全局的搜索方法。 它可以在收集过程中主动搜集和收集有关收集空间的常识,并自我满足搜索过程以获得最佳解决方案[21]。 合规程度相当于“职业竞争,最适合职业”的生物职业能力。 在遗传算法的过程中,遵从函数的采用直接影响遗传算法的严密性以及是否可以找到最优解。 顺从功能的混乱是遗传的。 算法湍流的主要组成部分是局部的,因此合规函数的选择原则尽可能简单,策略时间最短[22]。 1.3遗传优化神经网络遗传优化神经网络(GABP)的过程主要包括BP神经网络布局,遗传算法优化权重和阈值,BP神经网络训练和前景。 由于遗传算法优化了BP神经网络的初始权重和阈值,只要网络布局已知,就可以确定权重和阈值的数量。 神经网络的权重和阈值通常是随机数,随机初始化为区间[-0.5,0.5]。 该初始化参数对网络影响很大,但不能准确获取,初始权重值和阈值处理方式不同。 网络的培训是不同的。 引入遗传算法以优化最佳初始权重和阈值。 2数据处理和模拟2.1数据采用和标准化处理影响边坡不变性的主要因素是地下水前提,斜坡取水和集水条件,岩石分解水平和植物。 归纳的根源和功能概括为地形,岩石和其他影响因素。 其中,地形是不变性的外在表征,岩体是不变性的焦点,它是岩性和地质机构。而外部地质效应的综合反映,其他因素则决定了地形的外部作用和岩体对边坡的影响[23]。 基于前人的学习,使用重力(单位:kN [?m-3]),内聚力(单位:[kPa]),摩擦角(°),倾斜角(°),坡高(单位:m) )和休闲压力比作为网络的输入,安全系数和斜率条件这两个参数作为输出值。 本文中的数据源于文献中的数据[24]。 总共38组数据用作样品,其中27组用作训练样品,11组用作测试样品。 由于所有收集的数据都不是数量级的,因此不幸的是神经网络的训练和输出是正确的。 因此,有必要在(0,1)之间映射所收集的数据。 在建立模具之前必须标准化输入变量,以便较大的输入值仍然落在传递函数梯度大的位置。 第一步是将数据的利润加倍,第二步是加快步进操作的步伐。 2.2网络测试在确定了27组训练样本的网络训练后,有必要用其他样本进行测试。 所谓的测试是利用模拟函数得到网络的输出,并确定检测到的输出值与实际测量值之间的偏差是否满足验证模具可靠性的要求。 在优化遗传算法之后,获得最佳初始权重和阈值矩阵。 训练偏差曲线和遗传算法偏差演变曲线如图3所示.3结论将获得的两种不同的预期模式与实际值进行比较并绘图,得到表1和图4。 从表1可以看出,遗传优化神经网络用于区分斜率的不变性,正确率达到100%,预期效率更好; 而行使随机权重的BP神经网络的判别率仅为54.5%; 从安全系数的角度来看,从图4可以看出,使用随机权重的BP神经网络的平均偏差达到12.92%,而使用GA优化权重的BP神经网络的平均偏差仅为6.84。 %,这是基于真实网络的运用。 坡度不变性(在坡度条件的前景值中,如果大于0.8,则认为不变;如果小于0.8,则认为是后腿)是可行的,且前景准确度高 ,未来的一面很高。 斜坡处理具有不可避免的教学意义。 参考文献[1]赵亚军,张恩龙,龚志忠.BP神经网络在边坡不变性预测中的应用[J]。西部探矿工程,2014,26(2):23?25。 赵玉杰,张EL,龚志.BP神经网络在边坡稳定性预测中的应用[J]。 西?中国探索工程Ineering,2014,26(2):23?25。 [2]上官泽,李思,栾..基于概率神经网络的边坡稳定性智能预测方法[J]。 岩土工程电子期刊,2009(13):1?10。 [3]胡天一,戴波,何琦,等。 基于随机丛林分类算法的斜率不变前瞻模型[J]。 人平近黄河,2017,39(5):115?118。 HU TY,DAI B,HE Q,et al。 基于随机森林分类算法的边坡稳定性预测模型[J]。 黄河,2017,39(5):115 118. [4]邹义怀,蒋成玉,李春晖。人工神经网络在边坡不变性预测中的应用[J]。矿冶,2011,20(4) :38 41?。 邹永华,江CY,李C ..人工神经网络在边坡稳定性预测中的应用[J]。 采矿与冶金,2011,20(4):38?41。 [5]赵成功,吴亚琴,刘艳,等。 基于SOM?BP复合神经网络的边坡不变性分析[J]。河北农业大学学报,2007,30(3):105?108。 赵SL,吴烨,刘烨,等。 基于SOM?BP神经网络的边坡稳定性分析[J]。 河北农业大学学报,2007,30(3):105?108。 [6]张飞,段志峰。 RBF神经网络在边坡不变性中的应用[J]。 西部勘探工程,2011,23(8):20?21.张福,段志峰.RBF神经网络在边坡稳定中的应用研究[J]。 West?China Exploration enginee?ring,2011,23(8):20?21。 [7]舒和,王JD,王鹤,等。 基于信息扩散理论与BP神经网络相结合的黄土边坡稳定性评价[J]。 西北大学学报,2008,38(6):983?988 [8]向超文,徐金红,李杰,等。 人工神经网络边坡不变预测模型[J]。姑苏理工学院学报(工程技术版),2006,19(2):1?9。 XIANG CW,XU JH,LI K,et al。 人工神经网络边坡稳定性预测[J]。 苏州科技学院学报(工程技术),2006,19(2):1?9。 [9]王伟,李光杰,郑百功,等。 自适应BP神经网络在边坡不变性中的应用[J]。人相近黄河,2010,32(4):120? 121.王琦李庚,郑BG,等。 自适应BP神经网络在边坡稳定性预测中的应用[J]。 黄河,2010,32(4):120?121。 [10]赵鹏,王飞,刘慧婷,等。 基于深度学习的手绘草图识别[J]。 四川大学学报(工程科学版),2016,48(3):94?99。 赵丕,王芙,刘璞,等湖 使用深度学习的草图识别[J]。 四川大学学报(工程科学版),2016,48(3):94?99。 [11]张毅,郭泉,王建勇。 大数据分析神经网络的要点[J]。四川大学学报(工程科学版),2017,49(1):9?18。 张,,郭琦,王..基于神经网络的大数据分析[J]四川大学学报(工程科学版),2017,49(1):9?18。 [12]向良成,肖立红,李梅,等。 基于反向扩散神经网络的前线腺癌诊断系统的诊断价值[J]。 四川大学学报(医学版),2016,47(1):77?80。 XIANG LC,XIAO LH,LI M,et al。 综合年龄,经直肠超声特征及血清PSA对前列腺癌的反向传播神经网络诊断价值[J]。 四川大学学报(医学版),2016,47(1):77?80。 [13]王静,杜勇,赵中华。 神网络算法在特色农产品质量分类中的应用[J]。四川大学学报(自然科学版),2016,53(4):805?808。 王,,杜,,赵志华。神经网络算法在农产品质量分类中的应用[J]。 四川大学学报(自然科学版),2016,53(4):805?808。 [14] KAUNDA RB,CHASE RB,KEHEW AE,et al。 神经网络在主动边坡稳定问题中的应用[J]。 环境地球科学,2010,60(7):1545?1558。 [15]黄,,崔,,刘..混沌神经网络在边坡稳定性预测中的应用[J]。 中国岩石力学与期刊 engineering,2004,23(22):3808?3812。 [16]张玲,王玲,吴彤。基于改进粒子群优化算法的反向传播神经网络热舒适预测模型优化[J]。华南理工大学学报(自然科学版) 攻略机应用,2014,34(3):775 779? 张璐,王璐,吴..基于改进粒子群优化的热舒适预测模型 反向传播神经网络[J]。 计算机应用,2014,34(3):775?779。 [17]张XL,JUN HU,赵T ..基于BP神经网络的排土场几何参数优化遗传算法[J]。 采矿与发展 冶金工程,2017(2):1?4。 [18] .BP网络自适应训练率算法分析[D]。 大连:大连理工大学,2011。余涛。 BP网络自适应学习率算法分析[D]。 大连:大连理工大学,2011。[19]莫秋金,莫贤德,万倩。改进BP神经网络在边坡不变性分析中的应用[J]。西部交通科技,2017(4):16?18。 MO MOJJ,MO XD,WAN Q.改进BP神经网络在边坡稳定分析中的应用[J]。 中国西部传播科学与发展 技术,2017(4):16?18。 [20] ALVANITOPOULOS PF,ANDREADIS I,ELENAS A.一种用于建筑物中地震破坏分类的遗传算法[C] // 2009年人工智能应用与创新会议人工智能应用与创新会议论文集。 波士顿:施普林格,2009:341?346。 [21] MAULIK U,BANDYOPADHYAY S.遗传算法? 基于聚类技术[J]。 模式识别,2004,33(9):1455?1465。 [22] GOLDBERG D E.遗传算法在搜索,优化和机器学习中的应用[M]。 MA:艾迪生? Wesley,1989。[23]陆彩金,胡厚田,徐建平,等。 改进BP网络在岩质边坡不变性评价中的应用[J]。岩石力学与工程学报,1999,18(3):303?307。 LU CJ,HU HT,XU JP,et al。 改进的反向传播网络在铁路岩石评价中的应用坡度[J]。 中国岩石力学与工程学报,1999,18(3):303?307。 [24]冯希庭,王永嘉。 边坡不变性的神经网络预测[J]。工程地质学报,1995,3(4):54? 61.冯昕,王莹。边坡稳定性的神经网络估计[J]。 工程地质学报,1995,3(4):54?61。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86770/
 与本篇相关的热门内容: