论文部分内容阅读
变形监测是监测变形体变形的有效手段,通常是处理变形信息,分析变形体变形状态,预测变形体未来变形情况。由于影响变形体变形的因素有很多,导致变形具有非线性、模糊性和不确定性的特点。这些特点导致在变形预测时,传统的数学模型预测结果与实际情况相差较大,从而需要引入其他合适的模型。广义回归神经网络(GRNN)是径向基神经网络的一种变化形式,很适合用来解决非线性问题。GRNN模型的平滑因子决定了预测数据的精度,对于平滑因子的选取一般有两种办法:试验法和群体智能优化算法。试验法需要经过一次次盲目选取不同的平滑因子,经过实验验证,在已知的候选值里面选取最优秀的平滑因子,这样导致浪费大量的时间得到的最优值精度不一定很高。果蝇优化算法(FOA)是一种新型的群体智能优化算法,通过果蝇觅食时嗅觉记忆和视觉记忆协同作用,可以快速准确的帮助果蝇找到食物。FOA对于参数优化性能很好,很适合应用于全局寻优。本文研究内容总结如下:(1)在论述了人工神经网络模型中BP神经网络模型理论与RBF神经网络模型理论基础上,详细分析了GRNN模型的算法理论、算法结构、模型特点及网络训练的方法和GRNN模型在变形监测数据处理中的应用。(2)通过对遗传算法(GA)的理论和差分进化算法(DE)的理论分析,对比了GA,说明DE优于GA。通过实验分析,利用FOA的理论与算法步骤,分析了FOA算法中群体规模、群体初始位置、搜索步长、味道浓度判定值、迭代次数等参数对模型最优值搜索的影响。(3)FOA研究:从搜索半径、优化解生成机制、果蝇飞行策略、多种群合作搜索和组合算法等方面分析已有的改进果蝇优化算法。提出用DE改进FOA,并且添加一个逃逸系数得到一个新的改进模型(DEFOA),经过实验函数验证,DEFOA在全局寻优方面优于标准FOA。(4)针对GRNN模型中平滑因子取值的问题,提出用FOA来优化GRNN模型中的平滑因子,得到FOA-GRNN模型。但在全局寻优过程中,FOA由于搜索机制的原因,果蝇都飞向味道浓度最优处,因此容易陷入局部极值,进而用DEFOA优化GRNN模型得到DEFOA-GRNN模型。通过工程实例验证,DEFOA-GRNN模型预测精度要高于FOA模型和FOA-GRNN模型,适合变形监测数据处理和数据预测。