基于LHS的BP神经网络参数标定方法技术

本发明专利技术公开了一种基于LHS的BP神经网络参数标定方法，并将其应用到土体力学参数的标定中，包含以下步骤：建立有限元模型；参数敏感度分析；确定待标定参数及其范围；LHS抽样；建立训练集和验证集；训练BP神经网络；验证BP神经网络；土体力学参数标定。本发明专利技术利用了LHS抽样能够构造出数量少却极具代表性样本的特点和BP神经网络强大的非线性映射能力，给土体力学参数标定带来了新的模式。这种标定方法既避免了基于梯度优化算法易陷入局部最优的缺点也弥补了随机优化算法需要大量有限元计算的不足，可以较好地应用到土体力学参数标定中，并且可以推广到其他需要进行参数标定的领域。

【技术实现步骤摘要】
基于LHS的BP神经网络参数标定方法
本专利技术属于优化分析、参数标定领域，具体是将一个独特的采样方法和一种智能算法结合起来进行参数标定，在提高准确度的同时，减少了样本的数量，提升了效率。
技术介绍
生产过程普遍存在着一些参数标定问题，需要通过实测结果反推参数，这在数学上可以归结成一个优化问题。上世纪70年代，一些参数标定技术开始应用于工程实际，从最初的传统优化算法到现在的智能优化算法。传统优化算法的主要思想都是由迭代算法而来的，主要有Powell法、梯度法、共轭梯度法、牛顿法、DFP法等等。这些优化算法都是从单个初始值迭代求解最优解，容易误入局部最优解。传统的最优化方法有较大的局限性。它往往要求目标函数是凸的、高阶连续可微的，可行域是凸集，而且其处理非确定性信息的能力很差，优化结果与初始值的选择密切相关。这些弱点限制了传统优化算法在复杂系统中的应用。近些年来，一些随机优化算法(遗传算法、粒子群算法、禁忌搜索和蚁群算法等)被引入到参数标定领域，随机优化算法的寻优能力要强于梯度算法，其缺点就是需要进行大量的计算，这将耗费大量算力和本文档来自技高网...

【技术保护点】
1.基于Latin hypercube sampling(LHS)的BP神经网络参数标定方法，其特征在于，所述方法步骤如下：/n(1)建立有限元模型；/n(2)参数敏感度分析；/n(3)确定待标定参数及其范围；/n(4)LHS抽样；/n(5)建立训练集和验证集；/n(6)训练BP神经网络；/n(7)验证BP神经网络，若不通过，则调整神经网络的结构并继续训练神经网络；/n(8)根据监测数据，利用训练完毕的BP神经网络，进行土体力学参数的标定。/n

【技术特征摘要】
1.基于Latinhypercubesampling(LHS)的BP神经网络参数标定方法，其特征在于，所述方法步骤如下：
(1)建立有限元模型；
(2)参数敏感度分析；
(3)确定待标定参数及其范围；
(4)LHS抽样；
(5)建立训练集和验证集；
(6)训练BP神经网络；
(7)验证BP神经网络，若不通过，则调整神经网络的结构并继续训练神经网络；
(8)根据监测数据，利用训练完毕的BP神经网络，进行土体力学参数的标定。


2.根据权利要求1所述的基于Latinhypercubesampling(LHS)的BP神经网络参数标定方法，其特征在于，所述步骤(1)中，建立对应工程类型的有限元模型。


3.根据权利要求1所述的基于Latinhypercubesampling(LHS)的BP神经网络参数标定方法，其特征在于，所述步骤(2)中，采用compositescaledsensitivity(CSS)指标评价参数的敏感度。


4.根据权利要求1所述的基于Latinhypercubesampling(LHS)的BP神经网络参数标定方法，其特征在于，所述步骤(3)中，选取步骤(2)中敏感度大的参数作为待标定的参数，并根据当地的地勘资料大致确定参数的范围。


5.根据权利要求1所述的基...

【专利技术属性】
技术研发人员：钱建固，徐巍，吴安海，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31