论文部分内容阅读
目前,由于国民经济的高速发展,交通问题的日益严峻,城市地下工程迅速发展。设计中不可能对工程做出完美无缺的估计,地铁施工中还可能受到许多不利因素的影响,因此地铁施工的安全监测和变形预测成为重要的研究方向。 近些年来,神经网络应用于变形预测的研究一直是国内外学者研究的热点。Elman神经网络具有动态记忆的功能,更适合于处理时间序列预测问题。但该网络采用梯度下降的学习算法,仅具有一阶线性动态特性,导致网络性能欠佳。对此问题许多科研工作者共同努力,做了大量的研究。 本文主要研究了以下内容:基于地铁变形监测与预测建模的理论与方法的基础上,研究了改进Elman动态递归神经网络在地铁施工变形预测中的应用。深入研究了粒子群优化算法(PSO算法)和Elman动态递归神经网络,针对Elman网络采用梯度下降的学习算法,仅具有一阶线性动态特性,导致网络性能欠佳,创建了PSO算法与Elman动态递归神经网络相融合的预测模型(PSO-Elman网络模型);探讨了网络模型输入参数的选取方法,以青岛市地铁A号线C区间为研究实例,对Elman动态递归神经网络在改进前和改进后的预测结果进行分析研究,得出改进后Elman网络预测的最大相对误差从22.7%提高到了11%,最小相对误差为6.5%提高到了0.8%,验证了PSO算法优化的Elman动态递归神经网络(PSO-Elman网络)在地铁施工变形预测建模中计算精确度较高,性能可靠,是地铁施工变形预测建模的一种好方法,可以为地铁施工变形监测的分析和预测提供参考。