毕业论文课题相关文献综述

1.1课题背景

随着科学技术的进步及全球城市化进程的发展，各类建筑如雨后春笋般拔地而起，为了确保建筑物的稳固，沉降观测变得至关重要。沉降观测数据分析是沉降观测工作中的一项重要内容，如何根据已经测量的资料，对所得沉降观测数据进行科学分析与处理，建立合理的模型，对变形值做出准确的预测，避免由于不均匀沉降而引起的安全事故，是我们监测的最终目的。近些年来，神经网络在建筑物沉降预测中得到了广泛的应用。人工神经网络是由大量的神经元广泛互连而成的网络，是理论化的人脑神经网络数学模型，通过模拟人脑的学习能力，对信息进行分布式存储和并行协同处理。由于建筑物沉降受多种因素的影响和制约，其变化的规律很难用一个显式的数学公式予以正确的表达。而人工神经网络可以很好的解决这个问题，它将传统函数的自变量和因变量作为模型的输入和输出，将传统的函数关系转化为高维的非线性映射，而不是显式的数学表达式。因而该方法在处理建筑物沉降问题上具有独特的优越性。

1.2研究现状

神经网络系统是由大量的神经元组成,每一神经元具有多个输入，但仅有一个输出,而这一输出又沿多条路径馈入到其它神经元的输入端并扇出到下一层网络各神经元的输入端。

文献[1]中讲述了19世纪80年代，由于神经科学研究的突破与进展和计算机科学以及人工智能发展的需要，世界范围内出现了神经网络的研究热潮，神经网络的研究为学习、识别和计算提供了新的现代途径。文献[2]根据工作实践对观测的作业流程、沉降点的施工工艺以及沉降观测的实施与数据处理分析方法的进行总结。文献[3]给出了建筑物倾斜监测方案，并进行建筑物倾斜监测成果分析和基础倾斜与建筑物倾斜关系分析。建筑物倾斜度测量也是建筑物发生突变事件采取安全有效的手段提供科学依据的重要手段之一。文献[4]基于时间序列分析理论，应用遗传算法，提出一种新的沉降变形非线性动力学演化特征的进化识别算法，对非线性时间序列模型的输入步长以及非线性动力学模型结构和参数进行全局最优搜索。BP神经网络模型就是模拟人思维的第二种方式这是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。BP网络的学习算法属于全局逼近的方法，具有较好的泛化能力。采水地面沉降预测的BP神经网络模型，为研究采水地面沉降的规律提供了一种途径。文献[6]采用BP人工神经网络模型，利用实测的沉降观测数据直接建模，并对该建筑的最终沉降趋势进行预测，为检验其是否可行，将预测结果与后期实测结果进行了比较和分析。文献[7]利用混合BP算法，将已有的沉降监测数据和工程地质参数进行训练。训练完成后，对后续地铁工程进行沉降预测，最后通过与实际测量结果对比，可以看出该方法具有预测速度快、实用性强的特点。文献[8]在对建筑物进行系统沉降观测中，应用灰色理论建立灰色预报GM(1,1)模型和Verhulst模型对建筑物和稳定趋势进行预测预报。文献[9]介绍了灰色神经网络模型的建模原理和方法，并采用该模型对实际的监测数据进行处理和分析，灰色神经网络模型能够在小样本、贫信息和波动数据序列等情况下对变形监测数据做出比较准确的模拟和预报。根据实测数据构造神经网络变形预测模型，并给出应用实例分析，神经网络应用于变形预测效果良好。文献[13]介绍了RBF神经网络的模型和结构，提出将该网络应用于建筑物沉降预测。运用Matlab工具箱函数建立了沉降预测网络模型，通过工程实例验证了该模型的正确性和可行性，并和BP神经网络在收敛速度上进行了比较，结果表明RBF神经网络的收敛速度远远快于BP网络。文献[14]探讨和研究了灰色模型用于变形监测数据处理的若干关键问题：建模序列长度的不同对模型精度的影响、计算零点的不同对模型精度的影响和累加次数的不同对模型精度的影响；总结了改进灰色模型精度的一系列方法和原理。文献[15]阐述了时间序列分析方法对建筑物沉降具有较高的模型拟合及预报精度，尤其是短期预报，效果更佳。

1.3相关技术

由于建筑物沉降受多种因素的影响和制约，其变化的规律很难用一个显式的数学公式予以正确的表达。而人工神经网络可以很好的解决这个问题，它将传统函数的自变量和因变量作为模型的输入和输出，将传统的函数关系转化为高维的非线性映射，而不是显式的数学表达式。因而该方法在处理建筑物沉降问题上具有独特的优越性。

BP神经网络是基于误差反向传播算法的多层次前馈型网络模型，是目前应用最广泛的一种人工神经网络。它采用的是并行网络结构，包括输入层、隐含层和输出层，信号从输入节点向前传递到隐含节点，经激活函数的处理后，再把隐含节点的输出信号传递到输出节点，最后输出结果。

灰色神经网络模型是一种组合模型，它集中了灰色理论模型和人工神经网络模型二者的优点，通过灰色理论与神经网络模型有机的结合，能够对复杂的不确定性问题进行求解。将它用于变形监测数据处理中，能够得到比较理想的计算结果。

径向基函数神经网络(简称RBF)则是一种典型的局部逼近神经网络,它在逼近能力和学习速度等方面均优于BP网络。