4。3　预处理数据 11

4。4  网络训练 11

4。5  处理输出 12

5  变形监测数据的神经网络预测方法的比较 13

5。1  BP与RBF网络预测方法的比较 13

5。2  BP与RBF网络预测值的比较 14

5。2。1  RBF 网络参数优化搜索 14

5。2。2  收敛速度和训练时间的关系分析 15

5。2。3  两种网络逼近能力的对比 15

6  总结。。17

致谢。。18

参考文献。19

图清单

图序号 图名称 页码

图1 具有n个输入的径向基神经元模型 9

图2 RBF网络的结构示意图 10

图3 RBF以及BP模型预测误差图 14

图4 径向基网络均方误差最优区间 15

图5 径向基网络扩展速度曲线 15

图6 RBF 模型训练曲线 15

图7 BP 模型训练曲线 15

图8 RBF 和 BP 网络对训练样本逼近能力比较 16

表清单

表序号 表名称 页码

表1 matlab中神经网络工具箱 4

表2 BP中常用的函数 6

表3 BP主要使用的函数 11

表4 预测结果比较/ mm 13

表5 RBF 和 BP 网络对检验样本逼近能力比较 mm 16

1  绪  论

1。1  引言

1。1。1  国内外研究现状

变形监测是一项以保障大型建筑物和构筑物安全营运的工作，其目的是通过分析变形物的形变信息，准确预测之后的变化趋势，从而为某项工程的设计或地质灾害等的防治工作提出科学的依据和准确的向导。而对于一些非线性的数据监测以及预测，人工神经网络法非常的适合，甚至可以说人工神经网络是针对这些复杂数据而生的，通过这些复杂数据，对人工神经元进行梳理，通过对这种复杂关系的模拟和处理，还可对人类神经元之间的突触现象进行模拟。从已有的样本数据中，通过神经网络能够找到他们之间的经验关系并记忆，以便用于分析之中。而且不论函数具有什么样的形式，自动的逼近最佳刻画的样本数据规律的函数[1]。本文介绍了人工神经网络的相关内容，之后结合变形检测数据的预测，采用两种类型的神经网络进行模拟，通过对结果的对比，找到两者之间的优势，并试图找到更好的模拟模型。论文网

1。2  变形监测数据的神经网络预测现状