基于遗传神经网络的大坝变形预测模型研究

山东大学学报(工学版)

基于遗传神经网络的大坝变形预测模型研究

刘健¹，蔡建军²，程森³

1.山东大学土建与水利学院,山东济南250061；2.山东省路桥集团有限公司,山东济南250021；3. 山东省海河流域水利管理局,山东济南250100

收稿日期:2005-04-13 修回日期:1900-01-01 出版日期:2006-04-24 发布日期:2006-04-24
通讯作者: 刘健

Research on dam displacement forecast model based on genetic algorithm neural network

LIU Jian¹,CAI Jian-jun²,CHENG Sen³

1.School of Civil Engineering,Shandong University,Jinan 250061,China;2. Shandong Luqiao Group Company Limited,Jinan 250021,China; 3. Water Resources Bureau of Haihe River Basin,Jinan 250100,China

Received:2005-04-13 Revised:1900-01-01 Online:2006-04-24 Published:2006-04-24
Contact: LIU Jian

摘要/Abstract

摘要： 神经网络具有自学习、修正误差的能力，遗传算法具有较强的全局随机搜索能力，两者结合可以优势互补. 在编码、选择、交叉、变异等方面对基本遗传算法进行改进，提高其效率和性能，并利用改进的遗传算法对神经网络权阈值进行学习，同时确定最佳的网络结构. 利用原型观测资料建立了大坝变形预测的遗传神经网络模型，模型具有良好的预测性能及泛化功能，为大坝安全监控提供了有力的技术支持.

关键词: 大坝, 变形, 预测, 遗传算法, 神经网络

Abstract: Genetic Algorithm(GA) neural network combines neural network's learning, errors adjusting with GA's comprehensive searching ability. Standard GA is modified in some aspects such as coding, selection, crossover and mutation in order to improve its efficiency and performance. Then it is used to calculate weight and threshold values of neural network and to determine the best network structural. By using this method, a GA neural network model is established by observation data to forecast displacement of dam. The capability and forecast precision of the model are also proved and provide useful technical support for monitoring dam safety.

Key words: displacement, forecast, genetic algorithm, neural network , dam

中图分类号:

TV698

刘健,蔡建军,程森 . 基于遗传神经网络的大坝变形预测模型研究[J]. 山东大学学报(工学版), 2006, 36(2): 62-66 .

LIU Jian,CAI Jian-jun,CHENG Sen . Research on dam displacement forecast model based on genetic algorithm neural network[J]. JOURNAL OF SHANDONG UNIVERSITY (ENGINEERING SCIENCE), 2006, 36(2): 62-66 .

参考文献

相关文章 15

[1]	沈冬冬,周风余,栗梦媛,王淑倩,郭仁和. 基于集成深度神经网络的室内无线定位[J]. 山东大学学报(工学版), 2018, 48(5): 95-102.
[2]	张璞,刘畅,王永. 基于特征融合和集成学习的建议语句分类模型[J]. 山东大学学报(工学版), 2018, 48(5): 47-54.
[3]	梁蒙蒙,周涛,夏勇,张飞飞,杨健. 基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别[J]. 山东大学学报(工学版), 2018, 48(5): 77-84.
[4]	张宪红,张春蕊. 基于六维前馈神经网络模型的图像增强算法[J]. 山东大学学报(工学版), 2018, 48(4): 10-19.
[5]	赵彦霞, 王熙照. 基于SVD和DCNN的彩色图像多功能零水印算法[J]. 山东大学学报(工学版), 2018, 48(3): 25-33.
[6]	曹雅,邓赵红,王士同. 基于单调约束的径向基函数神经网络模型[J]. 山东大学学报(工学版), 2018, 48(3): 127-133.
[7]	谢志峰,吴佳萍,马利庄. 基于卷积神经网络的中文财经新闻分类方法[J]. 山东大学学报(工学版), 2018, 48(3): 34-39.
[8]	陈嘉杰,王金凤. 基于蚁群算法求解Choquet模糊积分模型[J]. 山东大学学报(工学版), 2018, 48(3): 81-87.
[9]	何正义,曾宪华,郭姜. 一种集成卷积神经网络和深信网的步态识别与模拟方法[J]. 山东大学学报(工学版), 2018, 48(3): 88-95.
[10]	李崴,王者超,李术才,丁万涛,王琦,宗智,刘克奇. 哈尔滨地铁粉质黏土力学性质与超前支护方式[J]. 山东大学学报(工学版), 2018, 48(2): 61-71.
[11]	宋贵杰. 浅埋软岩段隧道进洞施工变形特征与失稳分析[J]. 山东大学学报(工学版), 2018, 48(2): 53-60.
[12]	刘哲,宋锐,邹涛. 基于模型预测控制的磨削机器人末端力跟踪控制算法[J]. 山东大学学报(工学版), 2018, 48(1): 42-49.
[13]	唐乐爽,田国会,黄彬. 一种基于DSmT推理的物品融合识别算法[J]. 山东大学学报(工学版), 2018, 48(1): 50-56.
[14]	韩学山,王俊雄,孙东磊,李文博,张心怡,韦志清. 计及空间关联冗余的节点负荷预测方法[J]. 山东大学学报(工学版), 2017, 47(6): 7-12.
[15]	张国建,于承新,郭广礼. 数字近景摄影测量在监测节制闸动态变形中的应用[J]. 山东大学学报(工学版), 2017, 47(6): 46-51.

多维度评价

Viewed

Full text

Abstract

Cited

Shared

Discussed