BP神经网络在监测系统中的智能信息处理技术

神经网络对外界的输入样本具有很强的识别能力，可以发现联系和规律以及输入样本和期望输出之间的非线性规律，因此在有传统分类方法无法比拟的优点。人工神经网络在模式分类方面模型，发现了许多学习算法，在监测系统中有重要的应用。

BP神经网络，即多层前馈网络的误差反传训练算法。它利用入样本来训练网络的权值，从而找到从输入样本到监督信号（期的非经验性变换规律来调整权值，经过测试样本和期望输出的多的网络稳定，当监测系统有新的输入时，就可根据此规律对它的分类。

BP神经网络的算法思想是：监测系统的输入样本自输入层处理后，传向输出层，这属于正向传播；如果输出与期望输出符，得到误差值，输出误差通过隐层向输入层逐反向传播，并将的所有单元，从而获得各层单元的误差信号，此误差信号就是修依据^[7]。

在BP神经网络中，利用监测系统中的监督信号和神经网络差E，调整权值时，按误差梯度下降的原则进行。利用BP神经网可以利用监督信息先规定类别信息，再利用输入样本和类别信息向调整ω，v值，如果网络的总误差小于一个特定的值，可认为得到最终的ω，v值。对于新的样本，此训练好的网络便可进行练好的网络就可以对我们采集来的数据进行分类预测，判断监测作等。

以一个典型的三层BP网络为例，其算法主要包括两个阶段：向传递。假设样本集中有s个样本，每个实例由一个输入向量和一个输出向量组成，这里1≤i≤s。

在第一阶段，送入输入单元，信息则按现行的矩阵W向前传递，由样本单元产生一个输出向量，将X^m_i与样本值D。进行比较，计算出二次方差，这里的j满足1≤j≤q，由误差函数E来表示输出差值的总和，可记为

第二阶段的主要工作是调整每个权值，为了减小E，可使E沿梯度方向下降。令W_ij^∗表示第n+1层的第i单元与第n层的第j单元之间的连接权值，它的修正值增量ΔW_ij∗为

ε是算法的收敛速率控制参数。具体的BP算法如下：

1）给定权值，赋予每一个权一个较小的随机非零值；

2）输入监测系统样本集中的某一样本；

3）根据这一样本的输入值计算出网络的实际输出值，求出差值；(www.xing528.com)

4）调整连接权值；

5）转回2），直到样本集中样本全部计算完；

6）用改变后的权值对样本集重新计算误差。若精度符合要求，即结束训练，否则转回2）。

这就是最基本的BP网络模型及其算法。

BP人工神经网络具有强大的并行处理功能、高维的非线性动态特性、出色的自组织自学习能力以及信息综合能力，非常适用于大坝坝肩滑坡体位移预报模型的建立。参考文献^[7]将BP神经网络应用到大坝坝肩滑坡体位移监测中。

大坝坝肩滑坡体位移变化主要受温度、库水位、降雨、时效等因素的影响。所以预报模型由温度分量、水压分量、降雨分量和时效分量组成。其中水压因子取4个，温度因子选为气温年变化周期，时效因子取2个，输出因子为滑坡体的水平位移与垂直位移，网络的输入神经元为15个，输出神经元为2个。

在初始值的选取方面，由于BP网络的非线性，初始值关系到学习是否达到局部最小和是否能够收敛，所以为了保证每个神经元都在它们的转移函数的最大区域进行变换。而不落在那些变化很小的区域，要求初始权值在输入累加时使每个神经元的状态接近于零。

在大坝坝肩滑坡体上设2个倒垂孔。均位于滑坡体的中线上，倒5测点布置在172.0m高程。倒6测点布置在143.5m高程，倒垂基点深入稳定的基岩上，以观测夹层上的滑坡体的变形情况。倒5测点由于钻孔斜度较大，有效口径仅25mm，为了处理垂线碰壁问题，安装时将垂线锚块提升了2.88m埋设。倒5测点最初采用人工遥测垂线法观测，中期采用光学垂线法观测，后期采用光学垂线法和自动化垂线法同时观测。

用BP算法，根据滑坡体位移的影响因子，建立监控模型，并对随后的测值实施预报（前78个观测数据作为训练样本，用来训练网络；后8个作为测试样本，用以检验所建立模型的正确性），预测结果如表5-1所示。结果表明预测值与实测值较吻合，BP算法可以很好地应用到大坝坝肩滑坡体位移监测系统中。

表5-1 模型预测值与实测值对比分析表

神经网络善于处理不确定、时变的对象，可以逼近任意范数上的非线性函数，信息的并行分布式处理与存储；可以多输入多输出；便于超大规模集成电路系统的实现。神经网络的优点很多，但它也不是完美的。神经网络还有其他未解决好的问题，比如稳定性与收敛性问题、学习速度慢等。