卢献健,罗 乐,胡应剑,周 斌,王 雷

(1.桂林理工大学 a.测绘地理信息学院;b.广西空间信息与测绘重点实验室,广西 桂林 541006;2.广西壮族自治区地理信息测绘院,广西 柳州 545006)

大坝自动监测资料能够有效反映大坝的现役性态, 实际应用中常对实测大坝变形监测资料建立统计模型以便实时监控及变形预测[1-2]。 然而大坝变形监测数据具有较强的非平稳性和非线性, 且多源监测数据的分析处理对数学模型提出了更高的要求, 传统模型或单一模型因学习效率低或易陷入局部极值等问题而难以达到预测要求[3-6]。 徐锋等[7]采用粒子群算法(PSO)优化BP神经网络, 克服了BP网络模型连接权值和阈值的随机性, 但在粒子寻优过程中PSO算法存在陷入局部极值的缺陷。 邢尹等[8]成功地将遗传算法(GA)应用于BP神经网络学习中, 虽然解决了BP网络模型易陷入极值的缺点, 但是由于GA算法复杂的遗传操作, 使得神经网络训练时间随着种群的规模呈指数增长, 导致寻优时间过长; 而且GA算法对局部区域的搜索能力较差, 在接近最优解时容易出现收敛缓慢或停止的现象。

针对上述两种算法的缺陷, 本文以PSO算法为主, 将GA算法中的交叉、 变异操作引入了PSO算法中, 通过逐次迭代取最优结果的方式, 确定网络模型的最优连接权值和阈值, 代替了BP神经网络的学习过程, 使BP网络学习的输出误差最小化, 提高神经网络的性能, 并将其用于大坝变形分析实例中, 最后通过实验验证模型的正确性及有效性。……