论文部分内容阅读
高速铁路设计时速高,造价高昂,涉及众多旅客生命安全,一旦发生事故其连带损失将是不可估量的,所以高速铁路对运行安全系数和轨道路基的稳定性就会有十分苛刻的要求。鉴于此,为了维护高速铁路正常、安全、高效地运行,对其路基进行沉降监测及预报就显得尤为重要。与此同时,现有的诸多基于数理统计的数学模型,例如回归分析模型、人工神经网络模型、灰色模型、时间序列模型等,它们结构过于单一,且大多用于对大坝、基坑、山体滑坡的监测中,在高铁路基沉降监测领域应用不多,存在一定空白。这些模型对沉降数据非线性映射能力不强,收敛过程易陷入局部极小,因此研究多种模型相结合的方法,建立完善的高铁路基沉降预测数学模型才是重中之重。本文从上述思路出发,引入具有极强的非线性映射能力的BP神经网络,以及具有很好寻优能力的自适应变异粒子群优化算法(APSOwM),并将邻域影响因子引入该算法,研究了APSOwM算法与神经网络相结合的优化模型(APSOwM-BP模型),并将多种BP神经网络优化模型应用于高铁沉降监测数据预测并对比分析。本文研究成果如下:1)对粒子群优化算法及神经网络理论进行了研究。研究发现,BP神经网络具有高度的非线性映射特性,对非线性数据的预测具有很好的效果,但是单一的BP神经网络模型极易陷入局部极小值,且网络各层连接权值和阈值的初始值具有随机性,导致收敛速度慢,进而其并不能对高铁路基沉降量进行准确预测。2)将自适应变异策略以及邻域影响因子引入粒子群算法中,使粒子速度的更新受到邻域最优粒子的影响,与此同时根据种群平均粒距,对适应值最小的几个粒子执行变异操作从而使粒子群算法能够跳出局部极小点,达到最优值。3)APSOwM优化算法用以对BP神经网络各层连接权值和阈值进行优化搜索,建立自适应变异粒子群优化的BP神经网络组合模型(APSOwM-BP)。利用MATLAB软件编制该模型程序,并应用于某高铁路基沉降监测与预报中,同时与单一的BP神经网络模型、标准PSO算法优化的BP网络模型(PSO-BP)应用实例和改进的PSO算法优化的BP网络(IPSO-BP)应用实例进行对比分析,结果表明:APSOwM-BP组合模型对高铁路基沉降量的预测精度较上述其他模型有显著提高。