基于神經(jīng)網(wǎng)絡(luò)的建筑物穩(wěn)定性時間預(yù)報分析

何群

摘要：利用神經(jīng)網(wǎng)絡(luò)對GNSS數(shù)據(jù)進行高程異常擬合處理，以地鐵地表沉降二等水準(zhǔn)數(shù)據(jù)為檢測數(shù)據(jù)，對擬合后的精度進行評定。在神經(jīng)網(wǎng)絡(luò)預(yù)測中，神經(jīng)元的選擇以及訓(xùn)練函數(shù)的確定，對建筑物穩(wěn)定性評價起到關(guān)鍵作用。

Abstract： The neural network is used to fit the elevation anomaly of GNSS data， and the second-level data of subsidence of metro surface is taken as the test data to evaluate the accuracy of fitting. In neural network prediction， the selection of neurons and the determination of training function play a key role in the stability evaluation of buildings.

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；建筑物穩(wěn)定性評價；高程異常擬合

Key words： neural network；evaluation of building stability；abnormal elevation fitting

中圖分類號：TU196+.1 文獻標(biāo)識碼：A 文章編號：1006-4311（2018）12-0171-02

GNSS定位系統(tǒng)是大數(shù)據(jù)信息化的一個獲取地球表面信息的重要手段，由于其具備便捷的的操作方式、高等級的測量水準(zhǔn)，在大數(shù)據(jù)時代的生產(chǎn)領(lǐng)域得到充分利用。將GNSS定位技術(shù)與局部范圍內(nèi)地球重力資源、精密水準(zhǔn)資源和高分辨率的地形數(shù)據(jù)資源加以整合，可以解決GNSS定位技術(shù)自身無法直接提供準(zhǔn)確正常高的弊端，從而精確地獲得局部范圍內(nèi)高程異常可靠值。

水準(zhǔn)正常高主要應(yīng)用于建筑物施工過程，建筑施工測量中正常高的獲取方法通常是利用水準(zhǔn)測量來滿足生產(chǎn)的需要，但由于需要在外業(yè)進行長時間的觀測，受外界自然條件影響的因素較多。而GNSS觀測技術(shù)已經(jīng)攻克觀測時受外界條件影響的各項弊端，精確測定正常高成為GNSS定位系統(tǒng)的一項技術(shù)難點。

GNSS定位系統(tǒng)的靜態(tài)精度已經(jīng)可以達到0.5毫米以下，相對而言，高程定位精度較低。由于GNSS高程測量系統(tǒng)中的大地高是基于一個相對特定參考橢球，和建筑工程測量中廣泛應(yīng)用的正常高具有不同的參考基準(zhǔn)。如果獲得兩者之間的轉(zhuǎn)換參數(shù)（水準(zhǔn)面差距或高程異常），并構(gòu)建相應(yīng)的高程系統(tǒng)轉(zhuǎn)換模型，從而將GNSS定位系統(tǒng)的大地高轉(zhuǎn)換為水準(zhǔn)正常高。

對于建筑物穩(wěn)定性時間預(yù)報系統(tǒng)的構(gòu)建，需要根據(jù)具體的監(jiān)測項目數(shù)據(jù)利用神經(jīng)網(wǎng)絡(luò)模型構(gòu)建適合高程異常轉(zhuǎn)換的神經(jīng)網(wǎng)絡(luò)BP預(yù)測模型。

神經(jīng)網(wǎng)絡(luò)BP預(yù)測模型是具有多層神經(jīng)元的傳統(tǒng)經(jīng)典神經(jīng)網(wǎng)絡(luò)，正常情況下預(yù)測模型可以由輸入層、中間層和輸出層組成。第一階段信號傳播過程如下：前后層間可以實現(xiàn)網(wǎng)絡(luò)神經(jīng)自由連接，而自身層各神經(jīng)元間是沒有信息溝通的。當(dāng)學(xué)習(xí)樣本賦予給神經(jīng)網(wǎng)絡(luò)后，神經(jīng)元的激活值從前一層經(jīng)中間層向后一層正向傳播，輸入響應(yīng)在輸出層各神經(jīng)元間產(chǎn)生，并完成第一階段信號正向傳播。第二階段信號傳播過程如下：依據(jù)產(chǎn)生最小輸出誤差的原則，從最后層經(jīng)過若干中間層反向傳輸至第一層，并逐層修改各連接權(quán)值，即“誤差反向傳播算法”，完成第二階段的信號反向傳播。

從理論上分析建筑物沉降變形監(jiān)測是GNSS平面坐標(biāo)（或大地坐標(biāo)）到高程異常（或正常高）的轉(zhuǎn)換，利用神經(jīng)網(wǎng)絡(luò)BP模型進行完成GNSS高到水準(zhǔn)高的預(yù)測，需要構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)該是A×M×B的結(jié)構(gòu)。

以某地鐵地表監(jiān)測資料為樣本來源，進行高程異常擬合。根據(jù)區(qū)間自身風(fēng)險及環(huán)境風(fēng)險，監(jiān)測等級采取“就高不就低”的定級原則，綜合判斷，本區(qū)間聯(lián)絡(luò)通道及左右線下穿渾河段監(jiān)測等級為一級；其它區(qū)間段監(jiān)測等級為二級。為驗證神經(jīng)網(wǎng)絡(luò)BP模型預(yù)測的精度滿足地鐵地表沉降觀測的需要，進行如下實驗：

實驗一：

將外業(yè)觀測數(shù)據(jù)選擇6個點作為學(xué)習(xí)樣本，9個點作為測試數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)中間層設(shè)定12層，網(wǎng)絡(luò)目標(biāo)中誤差0.0001m。分別采用梯度下降法（traingd）、擬牛頓算法（trainbfg）、動量及自適應(yīng)lr的梯度下降訓(xùn)練法（traingdx）、Levenberg-Marquardt訓(xùn)練法（trainlm）進行BP神經(jīng)網(wǎng)絡(luò)擬合模型訓(xùn)練，實驗結(jié)果如表1。通過實驗一可以得出GNSS高程異常神經(jīng)網(wǎng)絡(luò)BP擬合模型的訓(xùn)練函數(shù)最優(yōu)選擇是traingdx函數(shù)。

實驗二：

將外業(yè)觀測數(shù)據(jù)選擇8個點作為學(xué)習(xí)樣本，7個點作為測試數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)中間層分別設(shè)定為6、8、12、15、18、20層，輸出結(jié)果目標(biāo)中誤差0.0001米。本實驗主要選用traingdx和trainlm作為網(wǎng)絡(luò)訓(xùn)練函數(shù)，實驗結(jié)果如表2。

結(jié)果表明針對GNSS高程異常在建筑變形監(jiān)測中利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建擬合模型，trainlm函數(shù)收斂速度最快，traingdx函數(shù)訓(xùn)練精度高。從表2中可以看出，擬合精度提高與網(wǎng)絡(luò)神經(jīng)元的數(shù)量多少有一定關(guān)系，但并非中間層神經(jīng)元數(shù)量越多代表其擬合精度就越高，具體可見圖1、2所示。

利用神經(jīng)網(wǎng)絡(luò)BP模型對GNSS高程異常進行擬合，選擇什么樣的訓(xùn)練函數(shù)對模型的收斂速率和效率都會有一定的影響。在施工場地變形監(jiān)測實踐中，需要根據(jù)具體的實際工程項目進行多次模擬測試，以便選擇最合適的訓(xùn)練函數(shù)，構(gòu)建最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，以尋求經(jīng)典的網(wǎng)絡(luò)預(yù)測模型。

本項目結(jié)論如下：

①通過對GNSS大地高進行變形監(jiān)測神經(jīng)網(wǎng)絡(luò)BP擬合模型轉(zhuǎn)換， traingdx訓(xùn)練函數(shù)的 網(wǎng)絡(luò)效率最好，trainlm 訓(xùn)練法收斂速率最高，建筑變形監(jiān)測應(yīng)結(jié)合的實際工程項目精度需要選擇合理的訓(xùn)練函數(shù)。

②本次網(wǎng)絡(luò)試驗測試選擇traingdx函數(shù)，中間層確定在16-18層之間，模型擬合精度可以滿足地鐵地表沉降觀測的精度要求。

③實驗結(jié)果表明，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建擬合模型完成GNSS大地高轉(zhuǎn)換，在訓(xùn)練好網(wǎng)絡(luò)結(jié)構(gòu)模型后，可以得到比傳統(tǒng)數(shù)學(xué)模型更高的轉(zhuǎn)換精度。

④目前神經(jīng)網(wǎng)絡(luò)BP擬合模型研究在訓(xùn)練樣本數(shù)量等方面沒有明確的規(guī)定，但在本項目實驗過程中發(fā)現(xiàn)訓(xùn)練樣本對于提升網(wǎng)絡(luò)的學(xué)習(xí)能力和泛化能力有很重要的影響。建筑物變形監(jiān)測中當(dāng)訓(xùn)練樣本的數(shù)量和質(zhì)量涵蓋所要監(jiān)測項目的全部特征，利用神經(jīng)網(wǎng)絡(luò)模型制定自身合理的學(xué)習(xí)方式，完成擬合模型對問題的描述。

⑤神經(jīng)網(wǎng)絡(luò)BP擬合模型的精度不僅與施工場地的似大地水準(zhǔn)面有關(guān)，還與GNSS已知點點位和數(shù)量有關(guān)。如果已知點與似大地水準(zhǔn)面的特征點重合度較大，則模型擬合效果就接近實際情況。如何布設(shè)GNSS已知點，是進行高程異常轉(zhuǎn)換的關(guān)鍵問題之一。

參考文獻：

[1]李建成.最新中國陸地數(shù)字高程基準(zhǔn)模型.重力似大地水準(zhǔn)面CNGG2011[J].測繪學(xué)報，2012（05）.

[2]譚立萍，等.三層模型的BP網(wǎng)絡(luò)在GNSS高程擬合中的應(yīng)用研究[J].測繪通報，2018（08）.

[3]朱寶訓(xùn)，楊波，王曉靜，高寧.基于加權(quán)最小二乘的GNSS高程擬合模型分析[J].人民長江，2015（03）.

[4]占偉，黃立人，劉志廣，孟憲綱.數(shù)據(jù)缺失對GNSS時間序列分析的影響[J].大地測量與地球動力學(xué)，2013（02）.