本站原创这是一篇神经网络方面有关学年毕业论文范文,与基于BP神经网络的变形检测预报相关毕业论文格式模板。是参考文献专业与神经网络及模型及网络学习方面相关的免费优秀学术论文范文资料，可作为神经网络方面的大学硕士与本科毕业论文开题报告范文和职称论文论文写作参考文献下载。
【摘 要】为解决神经网络在沉降预报应用中的局限性,结合灰色理论等维信息策略和BP神经网络建模思想,利用数据序列本身构建训练样本,建立BP神经网络预报模型,并利用数学工具MATLAB编程实现,进行模拟的变形预测,通过与灰色理论GM(1,1)模型的预报效果进行比较,表明该BP神经网络模型具有更高的预报精度,可以达到更好的预报效果.
【关 键 词 】BP神经网络；变形检测；沉降预报最佳值为7；输入层和隐层的传递函数(Tfi)用缺省的正切S形函数(tansig),输出层用线形函数(purelin)；网络训练函数(BTF)使用动量批梯度下降函数(traingdm),它具有更快的收敛速度,而且引入了一个动量项mc,避免了局部最小问题的出现；网络权值、阈值学习函数(BLF)和性能函数(PF)采用MATLAB缺省值；对输入数据、目标数据、输出数据的处理,使用MATLAB提供的归一化函数(premnmx)和反归一化函数(postmnmx).运行程序时先用训练样本对网络进行训练,然后利用训练好的网络对预报样本进行预报.灰色理论GM(1,1)模型同样利用MATLAB编程实现.
2.3结果分析
首先用MATLAB编写的灰色理论GM（1,1）模型和BP神经网络模型分别处理训练样本,得到相应的拟合误差.其中GM（1,1）相对模型拟合误差主要为18.97、4.48、9.07、33.71、7.63、4.08、9.50等,等维BP网络模型拟合误差主要为6.66、0.97、0.29、6.16、2.06、4.44.并且通过之前得到的模拟数据可以得出BP神经网络模型拟合的平均误差以及GM(1,1)模型拟合的平均误差为11.82%.BP神经网络模型拟合的误差小于GM(1,1)模型拟合的误差为3.10%,其拟合精度高于灰色理论GM(1,1)模型.为了进一步检测灰色理论GM(1,1)模型和BP神经网络模型的预报精度,再分别用两种模型对监测点的沉降数据的预报样本进行预报,并可从中得出BP神经网络模型的预报精度远高于灰色GM(1,1)模型的结果.
三、结论
本文引入灰色理论中新陈代谢思想构造神经网络的学习样本,建立BP神经网络预测模型,并用该模型进行了实际的沉降预测.工程模拟实例表明：用等维BP神经网络模型进行沉降预测是可行的,预报精度远高于灰色GM(1,1)模型.为了提高BP神经网络模型的预测精度,一方面需要有足够的观测数据序列,以保证神经网络学习所需的样本数.另一方面需要恰当地确定输入层神经元的个数,目前尚无据可依,只能通过根据试算确定.