|
阅读：1167回复：0
城市给水管网爆管点动态定位的神经网络模型研究
<TABLE cellSpacing=0 cellPadding=0 width="100%" border=0>
<TR> <TD align=middle width="100%"><FONT face=仿宋_GB2312 size=3>朱东海<SUP>1</SUP>，张土乔<SUP>2</SUP>，毛根海<SUP>2</SUP></FONT></TD></TR> <TR> <TD align=middle width="100%"><FONT face=仿宋_GB2312 size=3>(1.清华大学土木系，北京；2浙江大学土木系，杭州)</FONT></TD></TR></TABLE><FONT face=宋体 size=3> <P align=justify></FONT><FONT face=幼圆 size=2><STRONG>摘 要</STRONG>：本文基于人工神经元网络原理，结合一个城市给水管网室内模型试验研究，通过BP神经网络模型</FONT><FONT face=宋体 size=2>的</FONT><FONT face=幼圆 size=2>模式分类和辨别功能，对城市给水管网爆管点</FONT><FONT face=宋体 size=2>的</FONT><FONT face=幼圆 size=2>动态定位进行了研究.得到了一些关于使用神经网络进行给水管网爆管点动态分析</FONT><FONT face=宋体 size=2>的</FONT><FONT face=幼圆 size=2>重要结论.</FONT></P> <P align=justify><FONT face=幼圆 size=2><STRONG>关键词</STRONG>：人工神经元网络；给水管网；模型试验；BP网络；爆管分析</FONT></P><FONT face=宋体 size=3> <P align=justify> 目前我国大多数供水不足或断水的情况除了供水设备能力不足因素外，安全供水还缺乏一定保证的一个重要原因是管网漏水和爆管机率过大，闸门等设备质量不够好以及停电等外来事故的影响.对城市管网的爆管点进行及时的定位以对事故进行及时处理是目前城市给水管网运行管理中的一个重要课题.?</P> <P align=justify> 神经网络方法的非线性映射功能在土木工程的设计和研究中得到了广泛的关注和应用.人工神经元网络在土木工程中的应用领域大致有以下几种：模式识别、预测预报、人工智能、模拟、建模和算法优化等等</FONT><SUP><SUP><FONT face=宋体 size=2>[1～11］</FONT></SUP></SUP><FONT face=宋体 size=3>.</P> <P align=justify></FONT><STRONG><FONT face=宋体 size=4>1 给水管网的模型试验设计</FONT></STRONG></P> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="63%"> <P align=justify><FONT face=宋体 size=3> 由于城市给水管网运行工况具有随机性、时变性、周期性和非确定性，利用传统的管网分析方法进行爆管点动态定位误差较大，难以在工程实际中有效地应用.对一些新的理论或方法必须首先借助于较精确的室内模拟管网来进行验证，然后才能考虑在实际的城市给水管网中的推广应用.本节介绍在室内模拟给水管网实践中得到的一些成果，并且对模拟试验的可行性提出了几点看法.</P> <P align=justify> 根据相似准则，在室内设计了一个简单的包含9个基环的模拟管网，如图1所示.</P> <P align=justify> 设计该给水管网室内模型的主要目的是为了在管网运行工况稳定的前提下，通过模拟试验对一些管网的控制系统理论进行验证和可行性分析.?</FONT></P></TD> <TD width="37%"> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="100%"> <P align=center><IMG src="http://www.cws.net.cn/Journal/slxb/200005/images/01t01.jpg"></P></TD></TR> <TR> <TD width="100%"> <P align=center><FONT face=宋体 size=2>图1 城市给水管网室内模型示意</FONT></P></TD></TR></TABLE></TD></TR></TABLE> <P align=justify><FONT face=宋体 size=3> </FONT>管网模型为2.5m×2.5m的平面管网.它包含9个基环，16个节点，24条长度分别为1m或0.5m的有机玻璃管段.在每根管段上设置阀门用来调节过水流量.节点上采用共计16个水龙头来模拟用户用水.整个管网在一个水平面上，离开地面约0.3m，以利于试验数据的方便测量.接点处设一个水压的测点，节点水压用压力传感器量测，为了加快传感器的读数速度及提高读数精度，在传感器前采用稳压器将不断脉动的水压平稳下来.节点流量采用体积时间法测量.?</P> <P align=justify><FONT size=4><STRONG>2 在模拟爆管试验中神经网络理论的应用</STRONG></FONT></P> <P align=justify><FONT face=宋体 size=3> </FONT>神经网络方法作为一种数据处理方法，它回避了数据间所有物理意义上的数学关系，而只对采集的数据及数据中包含的模式负责，并且由于它本身具有自组织、自学习、自适应、去除数据噪声等等功能，适合于进行模式间隐含关系的映射.</P> <P align=justify><FONT face=宋体 size=3> </FONT>本文在爆管分析研究中运用了BP神经网络模型.针对BP学习算法的一些缺点和不足，例如易陷入局部极小点和训练不易收敛等，可相应采取不同的措施来克服.在神经网络的应用方面，由于现在城市管网均有现成水力参数监测点，数据的实时采集是可以实现的，本文的研究基于一个给水管网的室内模拟模型试验.在今后进一步的研究中，如何对实际的城市管网运行工况信息进行处理，并输入神经网络之中进行模式识别是一个比较重要的课题.</P> <P align=justify><FONT face=宋体 size=3> </FONT>本文通过系列给水管网室内模拟试验研究，采用神经网络方法对管网进行跟踪分析，将“某点爆管”与“给水管网运行工况信息”之间的隐含关系映射出来，从而在管网运行实行监控中对爆管进行分析和定位.</P> <P align=justify><FONT face=宋体 size=3> </FONT>其具体的应用步骤如下所述：</P> <P align=justify><FONT face=宋体 size=3> </FONT>(1) 网络训练：首先测量出正常运行(即流量分配相对平均，稳定，无任何爆管点)时水力参数向量[Qm](m=1,2,…,M)作为基准向量.然后相应提取r(r=1,2,…,R)点爆管后的水力参数向量[Qm]'，求出其偏差系数向量</P> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="100%"> <P align=center>[dm]=([Qm]-[Qm])/[Qm] (m=1,2,…,M)</P></TD></TR></TABLE> <P align=justify><FONT face=宋体 size=3> </FONT>向量[dm](神经网络的输入)和“r点爆管”(神经网络的输出)组成一个训练对(训练模式)，将所有R个爆管模式的训练对输入BP网络中进行有效训练，得到一个稳定的误差小于允许值的神经网络.</P> <P align=justify><FONT face=宋体 size=3> </FONT>(2) 神经网络应用：将实时的运行数据向量(即实时模式)经过同样处理</P> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="100%"> <P align=center>[dm]'=([Qm]'-[Qm])/[Qm] (m=1,2,…,M)</P></TD></TR></TABLE> <P align=left><FONT face=宋体 size=3> </FONT>后输入网络计算，得到一个输出结果，对其进行判断就可以得出管网运行工况是否良好了.如输出模式接近于“r点爆管”的输出模式，则可以判定r点已经爆管或接近于爆管(即漏水严重).?</P> <P align=justify><FONT face=宋体 size=3> </FONT>在神经网络训练完成后，将实时数据输入神经网络便可得出管网运行工况的良好与否.对爆管地点及时进行定位.?</P> <P align=justify><STRONG>3 试验数据的处理及结果的分析</STRONG></P> <P align=justify><FONT face=宋体 size=3> </FONT>根据上一节所述的步骤，首先测量出管网正常运行时的节点水头数据，再试验测量出8个节点分别爆管后的水头数据，据此计算出训练神经网络用的数据.用专门编制的程序进行神经网络的训练.?</P> <P align=justify><FONT face=宋体 size=3> </FONT>表1表示了部分神经网络的训练和应用数据.其中，第3列和第8列是在管网正常运行状态下各节点的水头(称为基准水头)，第2列和第7列斜杠前的数据是在某点爆管后的各节点的水头.</P> <P align=justify><FONT face=宋体 size=3> </FONT>对于BP神经网络模型来说，如何较好地确定神经网络的拓扑结构对神经网络应用效果是非常重要的.在实验过程中，本文对各种神经网络的参数进行了优化和研究，这些参数包括：输入层节点数、隐含层节点数、输出层节点数、学习因子、动量因子.最后，根据网络训练时间，训练误差的下降速度等指标进行了参数的优选.图2是在节点数分别为：输入层16个节点，隐含层15个节点，输出层3个节点；学习因子为1.0，动量因子为0.2时的误差下降曲线.在这些参数取不同值时，误差曲线变化很大，有时根本就不会收敛.</P> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="100%"> <P align=center><STRONG><FONT size=2>表1 某点爆管后的管网运行工况数据处理结果</FONT></STRONG></P></TD></TR></TABLE> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD align=middle width="100%" colSpan=10> <HR> </TD></TR> <TR> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>节点号</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>爆管后水头</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>基准水头</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>水差差值</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>水头差值<BR>/基准水头</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>节点号</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>爆管后水头</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>基准水头</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>水差差值</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>水头差值<BR>/基准水头</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="100%" colSpan=10> <HR SIZE=1> </TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>1</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>45/45.9</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>70</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>25/24.1</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.357/0.344</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>9</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>58/54</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>72</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>14/18</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.194/0.250</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>2</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>54/50.4</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>68</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>14/17.6</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.206/0.259</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>10</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>57/50.4</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>68</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>11/17.6</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.162/0.259</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>3</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>57/49.5</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>66</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>9/16.5</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.136/0.250</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>11</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>54/50.4</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>64</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>10/13.6</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.156/0.213</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>4</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>55/50.4</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>70</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>15/19.6</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.214/0.280</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>12</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>53/52.2</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>69</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>16/16.8</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.232/0.243</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>5</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>60/56.7</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>72</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>12/15.3</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.167/0.213</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>13</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>58/54</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>73</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>15/19</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.205/0.260</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>6</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>53/49.7</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>67</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>14/17.5</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.209/0.261</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>14</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>55/51.3</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>69</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>14/17.7</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.203/0.257</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>7</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>55/50.4</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>49</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>14/18.6</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.203/0.270</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>15</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>55/51.3</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>70</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>15/18.7</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.214/0.267</FONT></P></TD><FONT face=宋体 size=3></TR> <TR></FONT> <TD align=middle width="7%"> <P ><FONT face=宋体 size=2>8</FONT></P></TD> <TD align=middle width="13%"> <P ><FONT face=宋体 size=2>61/53.1</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>70</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>9/16.9</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.129/0.241</FONT></P></TD> <TD align=middle width="8%"> <P ><FONT face=宋体 size=2>16</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>54/52.2</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>68</FONT></P></TD> <TD align=middle width="9%"> <P ><FONT face=宋体 size=2>14/15.8</FONT></P></TD> <TD align=middle width="12%"> <P ><FONT face=宋体 size=2>0.206/0.232</FONT></P></TD><FONT face=宋体 size=3></TR> <TR> <TD width="100%" colSpan=10> <HR> </TD></TR> <TR> <TD vAlign=top width="100%" colSpan=10 height=30></FONT><FONT face=宋体 size=2>注：表1中水头单位为cm.</FONT></TD></TR></TABLE> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="50%"> <P align=justify><FONT face=宋体 size=3> </FONT>将在室内管网模型试验中测得的一组实际运行数据(包含某点爆管信息)经同样的处理之后，输入已训练好的神经网络.例如某点(该点为1点，现应由神经网络推测出来)爆管后的节点水头数据及其处理情况见表1.</P> <P align=justify><FONT face=宋体 size=3> </FONT>将表1中第5列和第10列数据(水头差值/基准水头)输入神经网络进行计算，其输出向量为：0.016，0.000，0.000，与1点爆管的理想输出向量：0.000，0.000，0.000极为接近，据此可以判断此时1点已经爆管，这与试验时的实际情况是相符的.同样地，神经网络对其余各种爆管情况也能进行准确分类和识别，本文中不再一一列举具体数据.</P></TD> <TD width="50%"> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD align=middle width="100%"><FONT face=宋体 size=3><IMG src="http://www.cws.net.cn/Journal/slxb/200005/images/03t02.jpg" border=0></FONT></TD></TR> <TR> <TD align=middle width="100%"><FONT face=宋体 size=2>图2节点数分别为16:15:3，学习因子为1.0，动量因子为0.2时的误差下降曲线</FONT></TD></TR></TABLE></TD></TR></TABLE> <P align=justify><FONT face=宋体 size=3> </FONT>另一方面，为模拟在实际应用中可能发生的数据提取不准确或其他的管网运行工况不稳定的情况，本文还对数据进行了加噪处理，表1中斜杠后数据即为加噪后的数据(含噪率小于15%).即将爆管时的实时测量数据在一定范围内进行模糊处理，使其在一定的百分比(称作含噪率)范围内振荡.将此时的数据作为实时数据输入神经网络进行爆管分析，其输出为0.000，0.000，0.000，亦为“1点爆管”，可见，只要数据的含噪率不是太大(<15%)，那么神经网络仍能准确地作出该点爆管的结论.再一次证明了神经网络方法在处理含噪声的数据时具有较强的去伪存真能力.</P> <P align=justify><FONT face=宋体 size=3> </FONT>可以看出，神经网络方法在映射复杂的隐含的含噪的函数关系方面有很大优势，处理功能强，可以在管网运行分析和爆管分析中应用.但在进一步深入研究过程中还应当注意发展多种神经网络模型和改进学习算法，在节点数设计方面进行更加科学的优化，以提高训练质量和训练速度.此外，还应重视管网平差计算理论的发展和城市给水管网室内模拟试验水平的提高，以便于在神经网络的应用中提取到更准确的原始训练数据.</P> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="50%"> <P align=justify><FONT size=4><STRONG>4 结论和建议</STRONG></FONT></P> <P align=justify><STRONG>4.1 结论</STRONG> 在采用神经网络进行爆管动态分析的研究中，本文结合室内模型试验，对BP神经网络在爆管点动态分析中的模式训练和应用分析进行了一些初步的探讨.通过研究发现，BP神经网络对爆管数据的模式分类和识别具有较强的功能.不同拓扑结构的神经网络对模式的识别映射能力是不同的.通过具体的算例，分别对神经网络隐含层节点数、输出层节点数、学习因子和动量因子对训练效果的影响进行了较为系统的分析，结果发现：</P></TD> <TD width="50%"> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD align=middle width="100%"><IMG src="http://www.cws.net.cn/Journal/slxb/200005/images/04t03.jpg"></TD></TR> <TR> <TD align=middle width="100%"><FONT face=宋体 size=2>图3节点数分别为16:100:3，学习因子为1.0，动量因子为0.2时的误差下降曲线</FONT></TD></TR></TABLE></TD></TR></TABLE> <P align=justify><FONT face=宋体 size=3> </FONT>(1) 隐含层节点数对神经网络的训练效果影响很大，分析表明隐含层节点数以15为佳，太大或太小均可能导致训练不收敛；图3为当隐含层节点数为100时的训练误差曲线.</P> <P align=justify><FONT face=宋体 size=3> </FONT>(2) 当供识别的模式较多时，采用一个输出层节点是不够的，本文建议采用至少3个输出层节点；图4是当输出层节点数为1时的神经网络训练误差曲线.可以看到，当输出层的节点数为1时，神经网络的训练是不能收敛的.</P> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD width="51%"> <P align=justify><FONT face=宋体 size=3> </FONT>(3) 学习因子对训练效果的影响也是相当明显的.先假定其他参数不变，即隐含层节点数15，输出层节点数8，动量因子为0.2.当学习因子分别设为0.1、0.2、0.3、0.5、0.8、1.0、1.2、1.5、2.0时，发现这些神经网络的训练误差曲线图也是有很大差别的.当学习因子较大时(>1.0)，训练更易于收敛，训练误差也更快地趋向于零，但当学习因子过于大时(>2.0)，训练误差将发生反复和跳跃.当学习因子较小时(<0.5)，花费的训练时间较多但训练的误差曲线比较光滑，不易出现跳跃现象.然而学习因子较小却容易导致神经网络收敛于局部极小点，不利于对神经网络的权值分布进行全局优化；</P></TD> <TD width="49%"> <TABLE cellSpacing=0 cellPadding=0 width="100%" border=0> <TR> <TD align=middle width="100%"><IMG src="http://www.cws.net.cn/Journal/slxb/200005/images/04t04.jpg"></TD></TR> <TR> <TD align=middle width="100%"><FONT face=宋体 size=2>图4 节点数分别为16:15:1，学习因子为1.0，动量因子为0.2时的误差下降曲线</FONT></TD></TR></TABLE></TD></TR></TABLE> <P align=justify><FONT face=宋体 size=3> </FONT>总之，由于在城市的实际给水管网中采用传统的水力学方法存在着相当多的困难，如管网运行工况的不确定性、管段的水力特性特殊不易测定等等，都对管网的运行工况分析形成了障碍.而神经网络方法则可以避开这些障碍，只对运行工况监测信息所表示出来的模式进行辨别，从而可以发挥其一定的功能.</P> <P align=justify><STRONG>4.2 后续工作展望</STRONG> 首先，本文采用的神经网络模型为单一的误差反向传播网络桞P网络.其学习算法也仅限于BP算法，只是在训练过程中加入了动量因子，对网络的训练效果进行优化和改进而已.在实际的训练过程中，发现动量因子对神经网络的训练效果是有影响的.</P> <P align=justify><FONT face=宋体 size=3> </FONT>其次，在BP神经网络的拓扑结构设计中，本文采用比较法对隐含层节点数、输出层节点数、学习因子和动量因子进行选择，而没有在理论上进行进一步的分析，这就难免使得到的结论有以偏概全的可能，且在神经网络的参数选择上基本上未能进行全面优化.</P> <P align=justify><FONT face=宋体 size=3> </FONT>第三，在BP网络的训练中基本上未能采用现在已经比较成熟的一些改进算法以加快网络训练的收敛和避免掉进局部最小点.</P> <P align=justify><FONT face=宋体 size=3> </FONT>第四，因为随着研究和应用的深入，要求神经网络能对更加庞大的数据和更加复杂的非线性关系进行映射，而未经过优化的算法花费在网络训练上的时间将随着复杂程度的提高以指数关系增长，所以，更加优良的改进方法(包括对隐含层节点数和输出层节点数的选择，对网络训练时初始值的确定，训练算法的改进和是否要综合运用几种神经网络模型和综合运用多种训练学习算法等)是今后神经网络理论研究者们一个大的研究方向.这些工作一方面可以通过对神经网络理论最新发展的学习和借鉴来完成，另一方面也需要广大土木工程师在各自研究领域中不断探索，发展出更适合土木工程各个领域应用的人工神经网络方法.</P> <P align=justify><FONT face=宋体 size=3> </FONT><FONT face=宋体 size=2><STRONG>致谢</STRONG> 本文工作基本上在浙江大学土木系完成，也得到了清华大学土木系江见鲸教授和任爱珠教授的指导和帮助，特此一并致谢!</FONT><FONT face=宋体 size=3></P> <P align=center></FONT><FONT face=宋体 size=2><STRONG>参考文献</STRONG></P> <P align=justify>[1]卢峥，史学智，王学军.建筑工程中手写体常用数字符号的神经网络识别[J].模式识别与人工识别智能，1995，8(4).</P> <P align=justify>[2]蔚承建，王文涛，等.基于神经网络的建筑工程造价估计[J].南京建筑工程学院报，1995，(4).</P> <P align=justify>[3]杨英杰，虞和济.结构损伤状态识别的神经网络方法[J].东北大学学报，1994，15(4).</P> <P align=justify>[4]李中锡，魏链.多层框架加固方案神经网络选择法[J].建筑科学，1992，(4).</P> <P align=justify>[5]陆伟民，董伟民.利用神经网络预测城市震后火灾损失[J].同济大学报，1995，(1).</P> <P align=justify>[6]俞丽华，罗红.人工神经网络理论在体育照明设计中的应用[J].同济大学学报，1995，23(5).</P> <P align=justify>[7]余庄，何涛.采用人工神经网络的城市规划智能评价系统[J].城市规划，1995，10.</P> <P align=justify>[8]武守信.基于B桺神经网络的混凝土软化模型[J].西南交通大学学报，1993，(6).</P> <P align=justify>[9]李力，张锐.神经网络模拟框架柱低周反复加载试验性初探[J].西南交通大学学报，1994，(4).</P> <P align=justify>[10]谢伟平，钟珞，等.荷载代数的神经网络实现[J].武汉工业大学学报，1995，(4).</P> <P align=justify>[11]孙名松，宿延吉.人工神经网络在钢筋混凝土试验研究中的应用[J].哈尔滨电工学院学报，1995，(1).</FONT></P></FONT> |
|
|
