一种基于神经网络的堆石混凝土技术适应度反馈调节方法与流程

本发明涉及水利工程领域，具体涉及一种基于神经网络的堆石混凝土技术适应度反馈调节方法。

背景技术：

堆石混凝土技术是一种新型混凝土筑坝技术，其设计出发点在于，大坝混凝土采用大体积混凝土，降低混凝土的绝热温升和单方混凝土成本是实际工程的迫切需求。2003年，清华大学首先提出了堆石混凝土这一概念，填补了这一项技术空缺。自从它的概念提出以来，就被大量应用于工程实践，硕果累累。基于堆石混凝土适应性评价体系，利用层次分析法和模糊综合评判方法可以确定堆石混凝土的适应度，但是随着技术的进步，利用层次分析法和模糊综合评价法得到的预测值会与期望值不符，而且层次分析法以及模糊综合评价法又是自上而下的，不能对结果进行反馈调节。

技术实现要素：

本发明所要解决的技术问题是提供一种基于神经网络的堆石混凝土技术适应度反馈调节方法，以克服上述现有技术中的不足。

本发明解决上述技术问题的技术方案如下：一种基于神经网络的堆石混凝土技术适应度反馈调节方法，包括如下步骤：

步骤1、构造样本数据：采集已有堆石混凝土适应性评价数据，包括评价指标的权重以及适应度；

步骤2、训练：构建神经网络，并将评价指标的权重作为输入层的输入样本，以及将适应度作为输出层的期望输出导入至神经网络，然后采用BP算法对神经网络进行学习训练；

步骤3、根据实际工程资料，获取实际输入样本，并将其输入到步骤2学习训练好的神经网络，计算出实际适应度；若实际适应度不符合期望适应度，则将实际输入样本和期望适应度添加至步骤1的样本数据内，并返回步骤2对神经网络重新进行学习训练，改变实际输入样本中各评价指标的权重的分配，以实现堆石混凝土技术适应度的反馈调节。

本发明的有益效果是：通过利用BP算法对神经网络进行学习训练，使其具备对样本数据的记忆和联想的能力，当随着堆石混凝土技术的更改或进步时，也可以实现堆石混凝土技术适应度的反馈调节，以及可以预测堆石混凝土技术更改或进步后的适应度，从而有效解决了层次分析法和模糊综合评价法所存在的缺陷。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1具体步骤如下：

步骤11、确定堆石混凝土适用性评价体系的评价指标；

步骤12、根据层次分析法确定各评价指标的权重，形成权重矩阵，且满足一致性检验；

步骤13、基于模糊综合评价法根据各评价指标的定量评价值求解其对应隶属度，形成隶属度矩阵；

步骤14、将权重矩阵与隶属度矩阵两者相乘,计算得到工程最终的隶属度，即为适应度。

进一步，所述步骤11具体为：

确定堆石混凝土适应性评价体系，包括对象性、易用性、有效性、可靠性和经济性5个准则层，对象性准则层包括构筑物的设计等级、结构形式、社会价值3个评价指标；易用性准则层包括对象所在场所、施工人员专业素质、施工机械化程度、重要材料的供应能力、气候条件、地质条件6个评价指标；有效性准则层包括凝土强度评价、热效应、干缩性能、抗渗性能、抗裂性能5个评价指标；可靠性准则层包括施工难易程度、施工危险性、材料获取的难易程度、施工工期4个评价指标；经济性准则层包括堆石骨料能否就地取材、施工材料的当地成本、能量供应情况、核心货物运输的难易程度和运输距离、施工和运营期间的人工成本5个评价指标，共计23个评价指标。

进一步，所述神经网络采用四层神经网络结构，每层神经元各30个，学习率为0.3，迭代次数大于100000次。

进一步，所述四层神经网络结构中输入层与第一层隐含层之间的传递函数为tansig函数，第一层隐含层与第二层隐含层之间的传递函数为tansig函数，第二层隐含层与输出层之间的传递函数为purelin函数。

进一步，输入层与第一层隐含层之间的传递函数tansig的表达式为：

式中P为输入层待输入的数据库数据,W1为神经网络第一层隐含层的待计算权值矩阵，B1为神经网络第一层隐含层的待计算阈值矩阵，F1为第一层隐含层输出的数据；

第一层隐含层与第二层隐含层之间的传递函数tansig的表达式为：

式中F1为第一层隐含层输出的数据，W2为神经网络第二层隐含层的待计算权值矩阵，B2为神经网络第二层隐含层的待计算阈值矩阵，F2为第二层隐含层输出的数据；

第二层隐含层与输出层之间的传递函数purelin的表达式为：

F3＝F2W3+B3

式中F2为第二层隐含层输出的数据，W3为神经网络输出层的待计算权值矩阵，B3为神经网络输出层的待计算阈值矩阵，F3为输出层输出的数据。

附图说明

图1为BP算法训练神经网络的流程图；

图2为神经网络反馈调节图；

图3为基于神经网络的堆石混凝土技术适应度反馈调节方法的流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1、图2、图3所示，一种基于神经网络的堆石混凝土技术适应度反馈调节方法，包括如下步骤：

步骤1、构造样本数据：采集359组已有堆石混凝土适应性评价数据，每组堆石混凝土适应性评价数据包括评价指标的权重以及适应度，当然在实际采集过程中采集的组数可以是其它数量，如400、500、600、700等；

步骤2、训练：构建神经网络，将每组堆石混凝土适应性评价数据中的评价指标的权重作为输入层的输入样本，以及将适应度作为输出层的期望输出导入至神经网络，然后采用BP算法对神经网络进行学习训练；

步骤3、根据实际工程资料，获取实际输入样本，并将其输入到步骤2学习训练好的神经网络，计算出实际适应度；若实际适应度不符合期望适应度，则将实际输入样本和期望适应度添加至步骤1的样本数据内，并根据步骤2对神经网络重新进行学习训练，改变实际输入样本中各评价指标的权重的分配，以实现堆石混凝土技术适应度的反馈调节。

所述步骤1具体步骤如下：

步骤11、确定堆石混凝土适应性评价体系的评价指标，具体为：确定堆石混凝土适应性评价体系，包括对象性、易用性、有效性、可靠性和经济性5个准则层，对象性准则层包括构筑物的设计等级、结构形式、社会价值3个评价指标；易用性准则层包括对象所在场所、施工人员专业素质、施工机械化程度、重要材料的供应能力、气候条件、地质条件6个评价指标；有效性准则层包括凝土强度评价、热效应、干缩性能、抗渗性能、抗裂性能5个评价指标；可靠性准则层包括施工难易程度、施工危险性、材料获取的难易程度、施工工期4个评价指标；经济性准则层包括堆石骨料能否就地取材、施工材料的当地成本、能量供应情况、核心货物运输的难易程度和运输距离、施工和运营期间的人工成本5个评价指标；

步骤12、根据层次分析法确定各评价指标的权重，形成权重矩阵，且满足一致性检验；

步骤13、基于模糊综合评价法根据各评价指标的定量评价值求解其对应隶属度，形成隶属度矩阵；

步骤14、将权重矩阵与隶属度矩阵两者相乘,计算得到工程最终的隶属度，即为适应度。

步骤12的具体步骤如下：根据层次分析法确定23个评价指标的权重，形成权重矩阵，且满足一致性检验。

步骤13的具体步骤如下：

步骤131、确定评价集，评价集划分为＝{完全适应，适应，不适应}；

步骤132，对23个评价指标进行值域的划分；

步骤133，确定隶属度函数；

步骤134、将23个评价指标的定量评价值代入隶属度函数求解各个指标的隶属度，形成隶属度矩阵。

步骤134中隶属度函数通常为半梯形分布函数。

所述神经网络采用四层神经网络结构，每层神经元各30个，学习率为0.3，迭代次数大于100000次。

所述四层神经网络结构中输入层与第一层隐含层之间的传递函数为tansig函数，第一层隐含层与第二层隐含层之间的传递函数为tansig函数，第二层隐含层与输出层之间的传递函数为purelin函数。

输入层与第一层隐含层之间的传递函数tansig的表达式为：

式中P为输入层待输入的数据库数据,W1为神经网络第一层隐含层的待计算权值矩阵，B1为神经网络第一层隐含层的待计算阈值矩阵，F1为第一层隐含层输出的数据；

第一层隐含层与第二层隐含层之间的传递函数tansig的表达式为：

式中F1为第一层隐含层输出的数据，W2为神经网络第二层隐含层的待计算权值矩阵，B2为神经网络第二层隐含层的待计算阈值矩阵，F2为第二层隐含层输出的数据；

第二层隐含层与输出层之间的传递函数purelin的表达式为：

F3＝F2W3+B3

式中F2为第二层隐含层输出的数据，W3为神经网络输出层的待计算权值矩阵，B3为神经网络输出层的待计算阈值矩阵，F3为输出层输出的数据。

BP算法为现有成熟技术，故以下仅对其进行简单介绍：

1)初始化；

2)导入输入样本，计算各层输出；

3)计算网络输出误差；

4)计算各层误差信号；

5)调整各层权重；

6)检查网络总误差是否达到精度要求，满足，则训练结束；不满足，则返回步骤2)。

BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成，正向传播时，输入样本从输入层传入，经由第一层隐含层、第二层隐含层逐层处理后，传向输出层，每层神经元的状态只影响下一层神经元，输入层与第一层隐含层之间的权值矩阵为V,阈值矩阵为b1，第一层隐含层与第二层隐含层之间的权值矩阵为H,阈值矩阵为b2，第二层隐含层与输出层之间的权值矩阵为W,阈值矩阵为b3；

若输出层的实际输出与期望输出不完全相同存在均方误差E时，若E的值满足设定的要求，则训练结束；若E的值不满足预期要求，则转向误差信号的反向传播流程，通过正向传播和反向传播交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，以使网络误差函数达到最小值，完成信息提取和记忆过程，各层的权重得到调整，直至误差值e满足要求。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。