免费论文查重: 大雅 万方 维普 turnitin paperpass

基于BP神经网络岩溶塌陷数据分类方法-

最后更新时间:2024-02-15 作者:用户投稿原创标记本站原创 点赞:21601 浏览:96020
论文导读:塌陷的危险等级主要有5类。即10000稳定,01000基本稳定,00100难塌,00010易塌,00001很易塌5类。通过实验数据可以发现,对于该文设计BP网络在学习速率选定1.0时,网络取得最少的收敛时间,收敛效果最好。1.1.4动量系数的实验确定动量系数可以加快BP算法的学习速度,减小震荡的趋势,抑制网络陷入局部极小值。在实际应用
摘要: 1976年发生的震惊世界的唐山大地震,虽然给世人带来了一个崭新的唐山,但是与此同时也给该市的建设留下了不少隐患。岩溶塌陷就是其中一大隐患。基于唐山岩溶塌陷的实际资料,选取地震烈度,断层规模指数,地下水位等十一个指标作为输入变量,采用BP神经网络的算法,并对造成岩溶塌陷因素的数据进行等级划分。
关键词:BP神经网络;岩溶塌陷;数据分类
1009-3044(2012)23-5680-02
Based on BP Neural Network Model and its Application in Aafety Evaluation of Karst Collapse
DANG Ya-juan, WANG Jun-jie
(Disaster Prevention Institute of Science and Technology, Sanhe 065201,China)
Abstract: The 1976 Tangshan earthquake that shocked the world, although to the world a new Tangshan, but at the same time, the build? ing of the city left a lot of hidden dangers. Karst collapse is one of the big hidden. Select, based on actual data of the Tangshan karst col? lapse, seiic intensity, an indicator of the fault scale index, and water table as the input variables, the use of BP neural network algorithm, and cause the data classification of karst collapse factors.
Key words: BP neural network; karst collapse; data classification
BP神经网络是采用误差反传算法,目前主要用于模式识别,分类和数据挖掘等方面.BP神经网络在地学常用的领域是数据分类.分析岩溶塌陷的因素,选取岩溶水位距基岩顶面的距离(C1),孔隙水与岩溶水的双层水位差(C2),溶洞个数(C3)、溶洞的规模大小(),断裂的发育程度(C5),距断裂的距离(C6),地下水埋深(C7),第四系覆盖层的厚度(C8),地下水位变化幅度(C9),地震级别(C10),地震频率(C11)等具有代表性的11组数据作为训练样本进行训练,并以此去识别数据集,实现岩溶塌陷数据的等级分类,并获得了较好的效果.
BP神经网络有输入层,隐含层,输出层组成,隐含层可以拓展为多层,网络按有教师示教的方法进行学习.该文采用最基本的三层前馈神经网络,摘自:毕业论文答辩流程www.7ctime.com
即输入层,隐含层,输出层.BP网络是由非线性变换单元组成的多层前馈网络,其一般思路为工作信号正向传播与误差信号反向传播。如下图:图1 BP神经网络结构图

1.1 BP神经网络参数确定

1.1输出参数的确定

输出数据代表对于岩溶塌陷危险等级的判断,即通过输出数据可以判断出危险等级,且是唯一的。在程序编制中可用“1”和“0”来代表“真”和“假”,即可以用只含有一个“1”其余均为“0”的值来表示网络的输出,从而判断出危险等级类型。对于岩溶塌陷的危险等级主要有5类。即10000稳定,01000基本稳定,00100难塌,00010易塌,00001很易塌5类。
通过实验数据可以发现,对于该文设计BP网络在学习速率选定

1.0时,网络取得最少的收敛时间,收敛效果最好。

1.4动量系数的实验确定

动量系数可以加快BP算法的学习速度,减小震荡的趋势,抑制网络陷入局部极小值。在实际应用中,采用实验的方式以寻找最佳的值。表3允许误差为0.000 01的条件下不同的动量系数所对应的迭代次数。(学习率:a;动量因子apha;陡度参数r;)
使用VC++编写BP神经网络算法,部分样本数据训练输出的结果和期望输出:
表4样本训练输出结果
从样本输出的结果可以看出训练网络合理,可以用于总体样本的训练。经过40545次运算,误差达到0.0001。
3结束语
实验得出的评价结果与实际采集的数据比较吻合,因此BP神经网络取得了预期的结果。对此我们根据当前的评价结果对实时相关数据如降雨量,地下水位,机械振动等影响岩溶塌陷的因素做出预测。