遗传算法优化BP神经网络在大坝扬压力预测中的应用

第３０卷第６期２０１２年６月　　　

（）文章编号：１０００７７０９２０１２０６００９８０４－－－

水　电　能　源　科　学

ＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＰｏｗｅｒ　　　Ｖｏｌ．３０Ｎｏ．６

Ｊｕｎ．２０１２　　　

遗传算法优化ＢＰ神经网络在大坝扬压力预测中的应用

２，３２，３２，３２，３

，，，仲云飞１，梅一韬１，吴邦彬１，陈　端１，

（１．河海大学水文水资源与水利工程科学国家重点实验室，江苏南京２１００９８；２．河海大学水资源高效利用与

）工程安全国家工程研究中心，江苏南京２１００９８；３．河海大学水利水电学院，江苏南京２１００９８摘要：针对Ｂ提出了利用遗传算法的选择、交叉和变异操作优化ＢＰ神经网络的局部极小和收敛慢等问题，Ｐ神经网络的权值和阈值，将优化后的Ｂ将遗传算法优化的Ｐ神经网络用于预测大坝扬压力。通过实例应用，结果表明遗传算法优化的ＢＢＰ神经网络与逐步回归、ＢＰ神经网络预测相对比，Ｐ神经网络收敛快且预测结果精度高。

关键词：遗传算法；ＢＰ神经网络；逐步回归；扬压力；预测中图分类号：ＴＶ６９８．１

文献标志码：Ａ

　　坝基扬压力与坝身孔隙水压力是大坝渗流监

前者为作用于坝体的主要荷载之测的重要内容，

一，对坝体稳定、变形和应力均有影响，因此分析坝基扬压力监测资料对验算大坝的稳定性和耐久

１］

。目前，监控大坝安全有重要意义［用于扬压性、

１．１　ＢＰ神经网络

（）原理。Ｂ１Ｐ神经网络是一种多层前馈神经网络，由输入层、隐藏层和输出层三层结构组成，主要特点是信号前向传播和误差反向传播，在正向传播中给出一种输入信息后，经隐藏层逐层处理后至输出层输出，若输出值达不到期望输出，则改变各层神经元的权值，直将预测误差反向传播，

至输出值与期望输出不断逼近。

（）２ＢＰ神经网络实现步骤。当输入节点为输出节点为ｍ时，ｎ、ＢＰ神经网络表达了ｎ个自变量至ｍ个因变量的映射关系。为防止产生净输入绝对值过大引起的神经元输出饱和现象，从而加快训练网络的收敛性，将数据用ＢＰ神经网络处理前需对数据进行归一化处理：

力资料分析和预报的方法主要有统计模型、确定性模型、混合模型和神经网络模型等。其中，统计模型因各参数有明确的物理意义而应用最广泛，但由于因子之间存在多重相关性及多种不确定因素（如时效因素）等影响使预测精度不够。ＢＰ神经网络采用误差函数的梯度下降优化方法，具有能通过非线性映射空强大的自我修正误差能力，

２］

，理论上可间确定输入量和输出量之间的关系［

逼近扬压力预测的非线性系统，但在实际应用中收敛对初值敏感及收敛速度慢常存在局部极小、问题

［３］

，因而精度和速度得不到很大的提高。遗

传算法（具有全局直接寻优特性，将遗传算ＧＡ）

４，５］

法［与Ｂ在遗传算法中实现了Ｐ神经网络结合，

ｘｘｍｉｎ

（）１－１

ｘｍａｘ－ｘｍｉｎ

式中，ｘ为原始数据；ｘｍｘｍａｉｎ、ｘ分别为原始数据的

ｙ＝２

）

最小值、最大值；ｙ为归一化数据。将数据归一化，］，到［可在Ｍ－１１ａｔｌａｂ中用自带函数ｍａｍｉｎｍａｘｐ实现。

ＢＰ网络实现步骤如下。

步骤１　初始化网络的权值和阈值，确定输隐藏层和输出层节点数，给定学习速率和神入层、

经元激励函数。

步骤２　建立ＢＰ网络结构。利用Ｍａｔｌａｂ中的ｎｅｗｆｆ函数来实现。其各单元的传递函数采用

约束条件的吸纳，在精度、速度和适用性等方面得

６，７］

，到了提高和拓宽［本文将ＢＰ神经网络得到的

误差作为适应值，利用遗传算法的选择、交叉和变异操作后得到最优的权值和阈值，将优化后的ＢＰ网络用于预测某大坝的扬压力，效果很好。

１　ＢＰ神经网络及遗传算法

，收稿日期：修回日期：２０１１１０１１２０１１１２０５－－－－

；基金项目：水利部公益性行业科研专项基金资助项目（国家自然科学基金资助项目（２０１１０１０１３）５１０７９０８６，）；）国家科技支撑计划课题基金资助项目（５０８７９０２４，５０８０９０２５２００８ＢＡＢ２９Ｂ０３，２００８ＢＡＢ２９Ｂ０６

，：作者简介：仲云飞（男，硕士研究生，研究方向为水工结构与大坝安全监控理论与应用，１９８８Ｅａｉｌｂａｋｅｒ８８１０２８１６３．ｃｏｍ－）－ｍ＠