人工神經網絡研究管理論文

導語：人工神經網絡研究管理論文一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

人工神經網絡理論（ArtificalNeuralNetworkstheory,ANN）是80年代中后期在世界范圍內迅速發展起來的一個前沿研究領域。人工神經網絡是一種有自組織、自學習能力的網絡系統，它的應用對各門學科都產生了重要的影響。目前，ANN理論的研究取得了令人矚目的進展。由于其具有非線性、高維性、大規模并行處理、信息的分布或儲存、聯想、記憶和容錯等特征，在預測具有高復雜程度的非線性時間序列問題方面明顯優于傳統預測方法。

水工隧洞一般都有過水要求，加上其復雜的地質條件，因此正確的進行圍巖分類后采取相應的支護措施將對保證隧洞穩定性起決定性的作用。圍巖分類是一類非線性的綜合判定問題，用人工神經網絡方法來判別水工隧洞圍巖類別是一種新的嘗試和新的方法。

1．圍巖分類的判定依據

水工隧洞圍巖工程地質分類應以控制圍巖穩定的巖石強度、巖體完整程度、張開度、地下水力狀態和主要結構面產狀等五項因素綜合評分為依據，圍巖強度應力比為限定依據，見表1。

表1圍巖工程地質分類依據

指標名稱評價因素

巖石強度（A1）采用巖塊的單軸抗壓強度（MPa）

巖體完整程度（A2）采用完整性系數Kv

張開度（A3）考慮結構面的連續性、粗糙度和充填物

地下水狀態（A4）考慮地下水的發育程度，用單位洞長單位時間的涌水量

主要結構面產狀（A5）采用結構面走向與洞軸線的夾角

以上五個因素是控制圍巖穩定性的主要因素，圍巖的分類標準見表2。

表2圍巖工程地質分類標準

評價因素圍巖類別

Ⅰ（穩定）Ⅱ（基本穩定）Ⅲ（局部穩定性差）Ⅳ（不穩定）Ⅴ（極不穩定）

A1（MPa）>200100~20050~10025~50<25

A20.9~1.00.75~0.90.5~0.750.25~0.5<0.25

A3（mm）<0.50.5~11~33~5>5

A4(L/min·10m)<2525~5050~100100~125>125

A5(o)90~7575~6060~4545~30<30

2.水工隧洞圍巖分類的人工神經網絡模型

神經網絡系統是由大量的、簡單的處理單元廣泛的互相連接而形成的復雜的網絡系統。人工神經網絡模型最基本的有兩大類：一類是以Hopfield網絡模型為代表的反饋型模型，它具有非線性和動態性；另一類是以多層感知器為基礎的前饋模型。其中BP(BackPropagation)網絡是目前應用最廣泛的多層前饋神經網絡模型。本文采用BP網絡模型。

2．1BP神經網絡模型及其算法

BP神經網絡由輸入層、隱含層和輸出層三層感知器組成，每層由若干個神經元組成。輸入層接受信息，傳入到隱含層，經過作用函數后，再把隱結點的輸出信號傳到輸出層輸出結果。節點的作用函數選用Sigmoid函數，即：

（1）

BP神經網絡采用誤差逆傳播反學習算法。學習過程由正向傳播和反向傳播組成。在正向傳播過程中，輸入信號由輸入層經隱含層處理后傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層得不到一個期望的輸出，則轉向反傳播，將輸出信號的誤差按原來的連接通路返回，通過修改各層神經元的權值，使得誤差信號最小，得到合適的網絡連接權后，便可對新的樣本進行識別。BP網絡學習過程具體步驟如下：

（1）初始化，設置網絡結構，賦初始權值；

（2）為網絡提供一組學習樣本，包括M個樣本對（），輸入向量，輸出向量，n、m分別為輸入層和輸出層神經元個數，；

（3）對每個學習樣本P進行（4）~（8）；

（4）逐層正向計算網絡各節點的實際輸出：

(2)

其中，為神經元i、j之間的權值；為前層第i個神經元的實際輸出，為式（1）給出的函數；

（5）計算網絡輸出誤差：

第P個樣本的輸出誤差為(3)

其中，，分別為輸出層第j個神經元的期望輸出和實際輸出。

網絡總誤差為；(4)

（6）當E小于允許誤差或達到指定迭代次數時，學習過程結束，否則進行誤差逆向傳播，轉向（7）；

（7）逆向逐層計算網絡各節點誤差：

對于輸出層，(5)

對于隱含層，(6)

其中代表后層第個神經元。

（8）修正網絡連接權：，其中為學習次數，為學習因子，值越大，產生的振蕩越大。通常在權值修正公式中加入一個勢態項，變成：

(7)

其中，a稱為勢態因子，它決定上次學習的權值變化對本次權值更新的影響程度。

2．2圍巖分類的BP模型

在以表2中數據為基礎進行網絡訓練前，須對表中指標作如下處理：Ⅰ、Ⅴ類對應的指標取其界限值或平均值；Ⅱ、Ⅲ、Ⅳ類對應的指標取其平均值。作上述處理后，可以得到網絡訓練模型的5個學習樣本，如表3。

表3圍巖類別識別模型的學習樣本

類別樣本類別A1A2A3A4A5

P1Ⅰ2000.950.52582.5

P2Ⅱ1500.8250.7537.567.5

P3Ⅲ750.62527552.5

P4Ⅳ37.50.3754112.537.5

P5Ⅴ250.25512530

以上表中5個類別樣本作為神經網絡的學習樣本，在輸入層和隱含層各設置一個特殊單元作為閾值單元，其值設為1。模型結構如下圖1所示。

圖1圍巖類別分類的BP網絡模型

設圍巖類別為P1、P2、P3、P4、P5這5個類別樣本的預期輸出矢量，各分量定義為

網絡訓練時，當所有樣本在網絡輸出節點的實際輸出與網絡期望輸出之間的最大誤差小于預先給定的常數，即時學習結束。

網絡經過15000次訓練，每個樣本的網絡輸出與期望輸出最大誤差為0.2，絕大部分在0.1之內。應用訓練后的BP模型劃分新的圍巖類別樣本，等判定圍巖類別樣本W經網絡變換后輸出O與各期望輸出比較，設，。

如果，則，，即隧洞圍巖類別樣本屬于級。

3．沙灣隧洞的圍巖分類應用實例

東深供水改造工程沙灣隧洞位于深圳市北東面內15公理處，區域地勢東高西低。工程區域周圍沉積巖、巖漿巖和變質巖三大巖類均有出露。隧洞線路地帶分布的地層，除洞口溝谷部位為第四系松散堆積層外，其余均為侏羅系中統塘夏群碎屑巖，基本為單斜構造，但末端因受深圳斷裂帶影響，巖層產狀較為紊亂，地質條件復雜多變。

隧洞開挖后，測得三種圍巖地段的力學性質和環境條件，取三個樣本為a、b、c。用BP人工神經網絡判定該工程隧洞圍巖類別。

根據水利水電工程地質勘察規范，隧洞圍巖類別分為5級：Ⅰ（穩定）、Ⅱ（基本穩定）、Ⅲ（局部穩定性差）、Ⅳ（不穩定）、Ⅴ（極不穩定）。對照學習樣本各特征變量，用訓練好的BP模型對a、b、c三個樣本進行判定，其結果見表4。

表4沙灣隧洞三組樣本實測指標與圍巖類別判定結果

指標名稱實測指標值

abc

巖石強度（A1）2845100

巖體完整程度（A2）0.220.50.55

張開度（A3）341

地下水狀態（A4）1208025

主要結構面產狀（A5）305060

圍巖類別判定結果ⅤⅣⅢ

4．結論

水工隧洞圍巖類別判定，不僅影響因素多，而且具有很大的模糊性和不確定性。人工神經網絡是一門新興的交叉學科，它具有聯想、記憶功能和判別識別的模糊性等優點，用它來進行圍巖類別分類，不需對輸入輸出指標的關系作任何假設，這種關系是神經網絡從實例中自適應學習而獲得的，大大減少了人為因素的影響，省去了事后的經驗判斷。實踐證明，它在理論和應用上都是可行的和有實際意義的。

參考文獻

[1]胡宗仁.神經網絡導論.長沙：國防科技出版社，1992.

[2]王如云.人工神經網絡原理.南京：河海大學出版社.