本站小編為你精心準備了小波神經網絡的地鐵論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1小波神經網絡學習算法

小波神經網絡的網絡結構和基本的BP神經網絡類似，一般采用輸入層、隱含層和輸出層三部分。小波神經網絡隱含層的轉移函數采用小波函數，但小波函數的選取目前還未有統一的理論。Szu構造的Morlet小波函數。

2工程應用

2．1工程概況北京地鐵6號線東延部分東部新城站至東小營站區間工程位于北京市通州區，起點為東部新城站，終點為東小營站。該區間由東部新城站向東，沿運河東大街北側設置，沿線穿越綠地、宋郎路路口，到達東小營站，其中在宋郎路路口和運河東大街東南有多處雨水、電力和電信管線。區間穿越的地層主要有粉細砂層、局部夾粉質粘土層、中粗砂層。工程采用直徑為6m的土壓平衡盾構機進行施工。

2．2網絡設計和數據采集小波神經網絡的結構設計對預測結果影響較大，應充分考慮與施工相關的各種因素，如地表沉降的成因、工程地質條件和施工工藝參數等。盾構施工引起的地表沉降易受到以下因素影響：盾構施工區間的水文地質條件對沉降量的影響較大；當盾構機由于某種原因停止推進時，千斤頂會漏油回縮導致盾構機后退，引起盾前土體壓力減?。欢芪裁摽蘸螅芷屯馏w之間存在空隙，由于注漿不及時，土體填充盾尾空隙引起土體局部塌落；盾殼移動引起土體的摩擦和剪切作用，在該作用力下土體產生變形；盾構改變開挖方向，往往會引起超挖現象，土體受到的擾動隨之加大，引起土體局部變形破壞；開挖面的土體靠土倉壓力來維持，但是在施工過程中，土倉壓力和開挖面壓力并不是出于完全平衡狀態，這種不平衡狀態容易引起土體的坍塌變形。綜合考慮各相關因素，確定在對于地表沉降較為敏感的土體參數和施工參數中選取覆土厚度（H）、壓縮模量（Es）、粘聚力（c）、天然密度（ρ）、內摩擦角（Ф）、千斤頂推力（F）和注漿壓力（P）共7個參數作為神經網絡的輸入參數。小波神經網絡的隱層節點數選擇目前還沒有成熟的理論依據，可參考BP神經網絡的隱層節點選取，通過經驗和實驗分析以輸入節點的2～4倍綜合確定，最終選擇為13。小波神經網絡預測模型的網絡結構為7－13－1。盾構施工引起的短期地表沉降對地表建筑和地下管線影響最大，且該施工區段地層變化較小，掘進速度基本不變，故可以選取盾構機通過該點50m后的穩定沉降數據。在施工單位提供的相關測量數據和地質資料中選取了51組數據，將其中36組作為訓練數據，如表1所示。選擇15組作為測試數據，如表2所示。

2．3地表沉降預測與分析根據選取的36組數據和已經確定的7－13－1的網絡結構，分別建立小波神經網絡和BP神經網絡的預測模型。設定訓練目標為0．001，BP神經網絡的初始權值、閾值和小波神經網絡的伸縮參數、平移參數分別在［－1，1］之間隨機賦值。得到訓練結果如圖1所示。結果顯示，經過1050次訓練后小波神經網絡的訓練誤差可以達到訓練目標，而BP神經網絡需要8500次訓練才能達到訓練目標。小波神經網絡的訓練速度相比于BP神經網絡有較大優勢。對于已經訓練好的兩種模型，使用相同的測試樣本進行預測分析，得到的預測結果如圖2所示，預測結果和實際測量值的誤差如表3所示。可以看出，BP神經網絡和小波神經網絡的最小、最大誤差分別為3．1％、27．3％，2．8％、14．5％，故小波神經網絡的預測精度要好于BP神經網絡，且預測結果均在工程允許范圍內，可以依據此預測結果對現場施工控制參數的制定提供科學的指導。

3結論

盾構施工引起的地表沉降對施工安全影響較大，對其進行有效地預測，并以此作為依據對施工參數進行優化，可達到降低施工風險的目的，對于提高施工效率、確保施工質量、增加經濟效益意義重大。本文選用小波神經網絡模型對盾構施工地表沉降進行預測，得到以下結論：（1）小波神經網絡的訓練速度較傳統BP神經網絡有較大優勢。（2）結合北京地鐵六號線實地數據驗證了小波神經網絡用于盾構施工地表沉降預測的可行性。（3）小波神經網絡的初始權值、伸縮參數和平移參數的選取還沒有成熟的理論依據，如果參數選取不合適可能使小波神經網絡陷入局部極小的情況，因此對于小波神經網絡參數的優化選取還有待深入研究。

作者：季雁鵬郝如江寧士亮單位：石家莊鐵道大學機械工程學院中國鐵建中鐵二十二局集團第一工程有限公司