基于粒子群的BP神经网络在大坝变形预测中的应用研究
|
摘要
伴随着改革开放三十年我国的经济腾飞,水电建设产业高速发展,水坝的规模不断扩大和增高,同时大坝的安全问题也显得更为突出和重要。大坝变形预测是大坝安全监测系统的重要一部分,对于确保大坝安全运行具有非常重要的作用。
大坝变形预测就是根据已有的监测资料预测未来的大坝变形量。大坝本身内部结构复杂、工作环境恶劣,并且还有繁多的不确定性影响因素,这些因素和大坝变形量之间的关系难以定量确定。因此,本文将具有自组织性、自学习性、自适应性和模糊推理能力等特点的BP神经网络应用于大坝变形预测,利用它的非线性函数逼近能力来有效地拟合大坝的变形量与影响因素之间的非线性函数关系。但在BP神经网络应用于大坝变形预测的实际过程中,也存在着一些不足之处,因此需要采取一定的方法和措施来改善BP神经网络的算法性能。
本文通过对BP网络模型结构及学习规则的研究,针对BP神经网络的初始化权值和阈值的随机性,导致训练速度慢和易落入局部极小等弱点,运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了粒子群BP神经网络模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析,采用MATLAB软件编制模型的程序,并与经典的BP神经网络模型的拟合预测结果相比较,分析得出PSO-BP模型的收敛速度更快、预测精度更高。
另外,本文尝试对大坝的变形区间进行定级预测,并建立相应的基于PSO-BP神经网络的大坝变形区间预测模型,同样采用丰满大坝坝顶水平位移资料,运用MATLAB软件编程实现仿真,通过对拟合预测结果分析显示,基于PSO-BP网络的大坝变形区间预测模型可以满足生产实际的精度需求,也是一种值得采用的预测模型。
As China's economy boom in the in the recent three decades after opening-up and reform, the water power engineering construetion develops at a high speed, the body of dams beeomes huger and higher, and the safety of dams also has taken more and more attention. Dam deformation prediction is an important part of dam safety monitoring system, and plays a very important role in safeguarding the seeurity of dam.
Dam deformation prediction is based on known monitoring data to prediction the future deformation. The internal structure and the working condition of the dam is complex, and there are various uncertainty factors,these factors can’t be described by certain ration relation in traditional models. It is hard to quantitatively determine the relationship of these factors and dam deformation. Therefore, this paper applys BP Neural Network, which has organization capability, self-educated capability, adapt capability and fuzzy ratiocinative capability, in the filed of dam deformation prediction, uses its nonlinear function approaeh ability to simulate the nonlinear relationship of the deformation of the dam and the influencing factors. But during the using of BP Neural Network in dam deformation predictioning, we find some shortcoming. So, we must take some methods to improve performance of the BP Neural Network.
Initialized weights and threshold of the BP neural network is random, which results in slow convergence and easily convergence to local optima. According to these characteristics, this paper applys the Particle Swarm Optimization (PSO), which has a strong global searching ability, to optimize the weights and threshold of the BP neural network. This paper utilizes the transverse displacement monitoring data of Fengman Dam, establishs a PSO-BP model and applys MATLAB to simulate it, and then contrast the result with classic BP neural network mode. Results show that PSO-BP model is faster in training and more prediction accurate.
In addition, the paper attempts to prediction the dam deformation range, which is more in line with the actual deformation in theory, establishs an appropriate PSO-BP neural network prediction model of the dam deformation range and applys MATLAB to simulate it. Through the analysis of the prediction results, we get a conclusion that the PSO-BP neural network model is feasible to prediction the dam deformation range.
大坝变形预测就是根据已有的监测资料预测未来的大坝变形量。大坝本身内部结构复杂、工作环境恶劣,并且还有繁多的不确定性影响因素,这些因素和大坝变形量之间的关系难以定量确定。因此,本文将具有自组织性、自学习性、自适应性和模糊推理能力等特点的BP神经网络应用于大坝变形预测,利用它的非线性函数逼近能力来有效地拟合大坝的变形量与影响因素之间的非线性函数关系。但在BP神经网络应用于大坝变形预测的实际过程中,也存在着一些不足之处,因此需要采取一定的方法和措施来改善BP神经网络的算法性能。
本文通过对BP网络模型结构及学习规则的研究,针对BP神经网络的初始化权值和阈值的随机性,导致训练速度慢和易落入局部极小等弱点,运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了粒子群BP神经网络模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析,采用MATLAB软件编制模型的程序,并与经典的BP神经网络模型的拟合预测结果相比较,分析得出PSO-BP模型的收敛速度更快、预测精度更高。
另外,本文尝试对大坝的变形区间进行定级预测,并建立相应的基于PSO-BP神经网络的大坝变形区间预测模型,同样采用丰满大坝坝顶水平位移资料,运用MATLAB软件编程实现仿真,通过对拟合预测结果分析显示,基于PSO-BP网络的大坝变形区间预测模型可以满足生产实际的精度需求,也是一种值得采用的预测模型。
As China's economy boom in the in the recent three decades after opening-up and reform, the water power engineering construetion develops at a high speed, the body of dams beeomes huger and higher, and the safety of dams also has taken more and more attention. Dam deformation prediction is an important part of dam safety monitoring system, and plays a very important role in safeguarding the seeurity of dam.
Dam deformation prediction is based on known monitoring data to prediction the future deformation. The internal structure and the working condition of the dam is complex, and there are various uncertainty factors,these factors can’t be described by certain ration relation in traditional models. It is hard to quantitatively determine the relationship of these factors and dam deformation. Therefore, this paper applys BP Neural Network, which has organization capability, self-educated capability, adapt capability and fuzzy ratiocinative capability, in the filed of dam deformation prediction, uses its nonlinear function approaeh ability to simulate the nonlinear relationship of the deformation of the dam and the influencing factors. But during the using of BP Neural Network in dam deformation predictioning, we find some shortcoming. So, we must take some methods to improve performance of the BP Neural Network.
Initialized weights and threshold of the BP neural network is random, which results in slow convergence and easily convergence to local optima. According to these characteristics, this paper applys the Particle Swarm Optimization (PSO), which has a strong global searching ability, to optimize the weights and threshold of the BP neural network. This paper utilizes the transverse displacement monitoring data of Fengman Dam, establishs a PSO-BP model and applys MATLAB to simulate it, and then contrast the result with classic BP neural network mode. Results show that PSO-BP model is faster in training and more prediction accurate.
In addition, the paper attempts to prediction the dam deformation range, which is more in line with the actual deformation in theory, establishs an appropriate PSO-BP neural network prediction model of the dam deformation range and applys MATLAB to simulate it. Through the analysis of the prediction results, we get a conclusion that the PSO-BP neural network model is feasible to prediction the dam deformation range.
引文
[1]曹广晶、赵鑫钰.论水电建设在能源安全战略中的作用[J].人民长江,2007,38(8):1-4.
[2]沈崇刚.中国大坝建设现状及发展[J].中国电力,1999,32(12):12-19
[3]吴中如.中国大坝的安全和管理[J].中国工程科学,2000 ,2(6):36-39
[4]王德厚.大坝安全监测与监控[M].北京:中国水利水电出版社,2004.
[5]马丽霞,王凤艳,陈剑平.基于人工神经网络的大坝变形分析与预测[J].吉林大学学报(地球科学版),2009,39(3):487-491.
[6]骆进军,李波,李立辉.基于神经网络的大坝岩体渗透系数张量反演分析[J].水电能源科学,2008,26(5):54-56,89.
[7]李小荣,郭永刚.基于遗传算法优化神经网络权值的大坝结构损伤识别[J].震灾防御技术,2008,3(2):189-195.
[8]李珍照.混凝土坝观测资料分析[M].北京:水利电力出版社,1989.
[9]李珍照.国外大坝监测分析的新进展[J].水利发电学报,1992,37:75-84.
[10]吴中如等.水工建筑物安全监控理论及其应用[M].南京:河海大学出版社,1990.
[11]吴中如.水-工建筑物安全监控理论及其应用[M].北京:高等教育出版社,2003.
[12]翁静君,华锡生.改进的BP神经网络在大坝安全检测中的应用[J].水电自动化大坝监测,2006,30(4):62-65.
[13] Kalkani E.C. Polynomial regression to forecast earth dam piezometer levels[J]. Journal of irrigation & Drainage Engineering-ASCE,1989,115(8):45-55.
[14] Georges R.Darbre. Probabilistic safety assessment of dams[A].Papers of the 20 Intemational Congress on Large Dam[C].Beijing,China,2000:185-195.
[15] Berga L. Dam safety-Proceedings of the intimational symposium on new trends and guidelines on dam safety[C]. Barcelona(Spain):A.Balkema Publishers,1998:230-234.
[16]吴中如,顾冲时,沈振中等.大坝安全综合分析和评价的理论、方法及其应用[J].水利水电科技进展,1998,18(3):2-6.
[17]袁晓峰.大坝安全监测资料分析若干问题研究:(硕士学位论文).南昌:南昌大学,2007.
[18]李珍照,李硕如.古田溪一级大坝实测变形性态分析[R].武汉水利电力学院,福建省古田溪水力发电厂,1989, 8:21-33.
[19]李珍照,熊支荣.流溪河拱坝实测变形性态分析[J].广东水利水电,1992,1:35-42.
[20]吴中如,沈长松,阮焕祥.水工建筑物安全监控理论及其应用[M].南京:河海大学出版社,1990,36-157.
[21]吴中如,沈长松,阮焕祥.论混凝土坝变形统计模型的因子选择[J].河海大学学报,1988,16(6):1-9.
[22]吴中如等.佛子岭连拱坝原型性态分析[M].南京:河海大学出版社,1999:38-62.
[23]吴中如.论混凝土坝安全监控的确定性模型和混合模型[J].水利学报,1989(5):64-70.
[24]张冶,顾冲时,张琳琳.佛子岭连拱坝变形性态分析[J].水力发电学,2002(12):51-54.
[25]熊支荣,李珍照.灰色系统理论在大坝观测资料分析中的应用[J].水利水电技术,1991(4):46-51.
[26]蓝悦明,王新洲.灰色预测用于大坝变形预测的研究[J].武汉测绘大学学报,1996(12):350-354.
[27]杨杰,党志良,吴中如等.土石坝竖向位移的灰色非线性拟合与预测[J].水电能源科学,2002,20(4):31-33.
[28]刘国华,何勇兵,汪树玉.土石坝沉降预测中的多变量灰色预测模型[J].水利学报,2003(12):84-88,97.
[29]黄铭,刘俊.土石坝沉降-填筑灰色监测模型分析[J].上海交通大学学报,2005,39(5):786-789.
[30]偶昌宝,俞亚南,范伟霞.一种改进的等维新息灰色模型及其在土石坝沉降预测中的应用[J].水利水电技术,2005,36(2):29-31.
[31]唐彤芝,李泽崇.大坝运行期沉降变形的模糊信息分析[J].水利水运科学研究,2000,02:21-25.
[32]王凤艳,王清,臧立娟,王明常.模糊综合评判方法在大坝变形分析与预测中的应用[J].测绘通报,2004,03:8-10.
[33]陈继光,李光东,刘中波.大坝变形数据处理中的离散小波分析方法[J].水电能源科学,2003,21(4),11-13.
[34]崔永建,张磊,佟剑杰.基于小波分析的大坝监测数据效应分量的提取[J].水电能源科学,2009,27(5):80-82.
[35]田旦,许才军,周命端,陈浩.基于混沌时间序列的大坝变形短期预测[J].水电自动化与大坝监测,2008,32(5):65-68.
[36]樊琨.基于人工神经网络的大坝位移预测[J].长江科院院报,1998,15(5):45-48.
[37]赵斌,吴中如,顾冲时,阳武.神经网络在大坝安全评判专家系统中的应用[J].大坝观测与土工测试,1998,22(2):16-19.
[38]张乾飞,王建,吴中如.基于人工神经网络的大坝渗透系数分区反演分析[J].水电能源科学,2001,19(4):4-7.
[39]徐晖,李钢.基于Matlab的BP神经网络在大坝观测数据处理中的应用[J].武汉大学学报(工学版),2005,38(3):50-53.
[40]邓兴升,王新洲.根据历史位移预测大坝变形的神经网络方法[J].水电自动化与大坝监测,2004,28(2):51-53.
[41]曾凡祥,李勤英.基于LM算法的BP神经网络在大坝变形监测数据处理中的应用[J].水电自动化与大坝监测,2008,32(5):72-75.
[42]李捷斌,孔令杰.基于Kalman滤波的BP神经网络方法在大坝变形预测中的应用[J].大地测量与地球动力学,2009,29(4):124-126.
[43]马丽霞,王凤艳,王静.基于Matlab工具箱的神经网络在大坝变形区间预测中的应用[J].测绘通报,2010,05:35-37.
[44]徐洪钟,张乾飞,顾冲时.基于神经网络的土石坝沉降组合模型[J].水电源科学,2000,18(4):19-21
[45]刘健,蔡建军,程森.基于遗传神经网络的大坝变形预测模型研究[J].山东大学学报(工学版),2006,36(2):62-66.
[46]姜成科.基于遗传算法的神经网络在大坝变形预测中的应用:(硕士学位论文).大连:大连理工大学,2008.
[47]曹茂森,邱秀梅,夏宁.大坝安全诊断的混沌优化神经网络模型[J].岩土力学,2006,27(8):1344-1348.
[48]黄声享,尹晖,蒋征.变形监测数据处理[M].武汉:武汉大学出版社,2003:5-6.
[49]沈卓君.基于改进神经网络的大坝安全监控模型[J].安徽农业科学,2008,36(12):5243-5244.
[50]何勇军.模糊测度理论在大坝安全智能决策支持系统中的应用[J].河海大学学报(自然科学版),2008,36(5):605-609.
[51]尹晖.时空变形分析与预测的理论和方法[M].测绘出版社,2002,12:6-11.
[52]张正禄,张松林,黄全义.大坝安全监测、分析与预测的发展综述[J].大坝与安全.2002,5:13-16.
[53]朱建军,贺跃光.变形测量的理论与方法[M].长沙:中南大学出版社,2003:44-50.
[54]陈永奇.变形观测数据处理[M].北京:测绘出版社,1988:407-412.
[55]周洪波.基于人工神经网络的大坝变形监测正反分析研究(硕士学位论文).武汉:武汉大学,2004.
[56]杨叔子,吴雅,轩建平.时间序列分析的工程应用[M].武汉:华中科技大学出版社,2007.
[57]张乾飞,王锦国,李雪红.大坝安全监控中的不确定性信息初探[J].河海大学学报:自然科学版,2002,30(5):113-117.
[58] Lippmann R P. An introduction to computing with neural nets[J].IEEE ASSP Magazines,1987,4(2):232-236.
[59] Brudzewski K, Osowski S, Markiewicz T. Classification of milk by means of an electronic nose and SVM neural network[J]. Sensors and Actuators B,2004,98:291-298.
[60] Alexandros K P, Naresh M J, Meecham J. Detection of Mycobacterium tuberculosis (TB) in vitro and in situ using an electronic nose in combination with a neural network system[J]. Biosensors and Bioelectronics,2004,20:538-544.
[61] Onkal E G, Demira I, Engin S N. Determination of the relationship between sewage odour and BOD by neural networks[J]. Environmental Modeling and Software,2005,20:843-850.
[62]魏东.非线性系统神经网络参数预测及控制[M].北京:机械工业出版社,2007:56-59.
[63]阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2005:133-137.
[64]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2002:23-25.
[65]金龙.神经网络气象预测建模理论方法与应用[M].北京:气象出版社,2004:48-49.
[66]杨杰,吴中如,顾冲时.大坝变形监测的BP网络模型与预测研究[J].西安理工大学学报,2001,17(l):25-29.
[67]刘彩红.BP神经网络学习算法的研究(硕士学位论文).重庆:重庆师范大学硕士论文,2008.
[68]谢霄易,张秀丽,陈铿.丰满大坝安全性评价[J].大坝与安全,2009,1:6-11.
[69]刘青海,韩荣池.丰满大坝安全监测自动化系统.水利水电技术[J],2000,31(10):57-59.
[2]沈崇刚.中国大坝建设现状及发展[J].中国电力,1999,32(12):12-19
[3]吴中如.中国大坝的安全和管理[J].中国工程科学,2000 ,2(6):36-39
[4]王德厚.大坝安全监测与监控[M].北京:中国水利水电出版社,2004.
[5]马丽霞,王凤艳,陈剑平.基于人工神经网络的大坝变形分析与预测[J].吉林大学学报(地球科学版),2009,39(3):487-491.
[6]骆进军,李波,李立辉.基于神经网络的大坝岩体渗透系数张量反演分析[J].水电能源科学,2008,26(5):54-56,89.
[7]李小荣,郭永刚.基于遗传算法优化神经网络权值的大坝结构损伤识别[J].震灾防御技术,2008,3(2):189-195.
[8]李珍照.混凝土坝观测资料分析[M].北京:水利电力出版社,1989.
[9]李珍照.国外大坝监测分析的新进展[J].水利发电学报,1992,37:75-84.
[10]吴中如等.水工建筑物安全监控理论及其应用[M].南京:河海大学出版社,1990.
[11]吴中如.水-工建筑物安全监控理论及其应用[M].北京:高等教育出版社,2003.
[12]翁静君,华锡生.改进的BP神经网络在大坝安全检测中的应用[J].水电自动化大坝监测,2006,30(4):62-65.
[13] Kalkani E.C. Polynomial regression to forecast earth dam piezometer levels[J]. Journal of irrigation & Drainage Engineering-ASCE,1989,115(8):45-55.
[14] Georges R.Darbre. Probabilistic safety assessment of dams[A].Papers of the 20 Intemational Congress on Large Dam[C].Beijing,China,2000:185-195.
[15] Berga L. Dam safety-Proceedings of the intimational symposium on new trends and guidelines on dam safety[C]. Barcelona(Spain):A.Balkema Publishers,1998:230-234.
[16]吴中如,顾冲时,沈振中等.大坝安全综合分析和评价的理论、方法及其应用[J].水利水电科技进展,1998,18(3):2-6.
[17]袁晓峰.大坝安全监测资料分析若干问题研究:(硕士学位论文).南昌:南昌大学,2007.
[18]李珍照,李硕如.古田溪一级大坝实测变形性态分析[R].武汉水利电力学院,福建省古田溪水力发电厂,1989, 8:21-33.
[19]李珍照,熊支荣.流溪河拱坝实测变形性态分析[J].广东水利水电,1992,1:35-42.
[20]吴中如,沈长松,阮焕祥.水工建筑物安全监控理论及其应用[M].南京:河海大学出版社,1990,36-157.
[21]吴中如,沈长松,阮焕祥.论混凝土坝变形统计模型的因子选择[J].河海大学学报,1988,16(6):1-9.
[22]吴中如等.佛子岭连拱坝原型性态分析[M].南京:河海大学出版社,1999:38-62.
[23]吴中如.论混凝土坝安全监控的确定性模型和混合模型[J].水利学报,1989(5):64-70.
[24]张冶,顾冲时,张琳琳.佛子岭连拱坝变形性态分析[J].水力发电学,2002(12):51-54.
[25]熊支荣,李珍照.灰色系统理论在大坝观测资料分析中的应用[J].水利水电技术,1991(4):46-51.
[26]蓝悦明,王新洲.灰色预测用于大坝变形预测的研究[J].武汉测绘大学学报,1996(12):350-354.
[27]杨杰,党志良,吴中如等.土石坝竖向位移的灰色非线性拟合与预测[J].水电能源科学,2002,20(4):31-33.
[28]刘国华,何勇兵,汪树玉.土石坝沉降预测中的多变量灰色预测模型[J].水利学报,2003(12):84-88,97.
[29]黄铭,刘俊.土石坝沉降-填筑灰色监测模型分析[J].上海交通大学学报,2005,39(5):786-789.
[30]偶昌宝,俞亚南,范伟霞.一种改进的等维新息灰色模型及其在土石坝沉降预测中的应用[J].水利水电技术,2005,36(2):29-31.
[31]唐彤芝,李泽崇.大坝运行期沉降变形的模糊信息分析[J].水利水运科学研究,2000,02:21-25.
[32]王凤艳,王清,臧立娟,王明常.模糊综合评判方法在大坝变形分析与预测中的应用[J].测绘通报,2004,03:8-10.
[33]陈继光,李光东,刘中波.大坝变形数据处理中的离散小波分析方法[J].水电能源科学,2003,21(4),11-13.
[34]崔永建,张磊,佟剑杰.基于小波分析的大坝监测数据效应分量的提取[J].水电能源科学,2009,27(5):80-82.
[35]田旦,许才军,周命端,陈浩.基于混沌时间序列的大坝变形短期预测[J].水电自动化与大坝监测,2008,32(5):65-68.
[36]樊琨.基于人工神经网络的大坝位移预测[J].长江科院院报,1998,15(5):45-48.
[37]赵斌,吴中如,顾冲时,阳武.神经网络在大坝安全评判专家系统中的应用[J].大坝观测与土工测试,1998,22(2):16-19.
[38]张乾飞,王建,吴中如.基于人工神经网络的大坝渗透系数分区反演分析[J].水电能源科学,2001,19(4):4-7.
[39]徐晖,李钢.基于Matlab的BP神经网络在大坝观测数据处理中的应用[J].武汉大学学报(工学版),2005,38(3):50-53.
[40]邓兴升,王新洲.根据历史位移预测大坝变形的神经网络方法[J].水电自动化与大坝监测,2004,28(2):51-53.
[41]曾凡祥,李勤英.基于LM算法的BP神经网络在大坝变形监测数据处理中的应用[J].水电自动化与大坝监测,2008,32(5):72-75.
[42]李捷斌,孔令杰.基于Kalman滤波的BP神经网络方法在大坝变形预测中的应用[J].大地测量与地球动力学,2009,29(4):124-126.
[43]马丽霞,王凤艳,王静.基于Matlab工具箱的神经网络在大坝变形区间预测中的应用[J].测绘通报,2010,05:35-37.
[44]徐洪钟,张乾飞,顾冲时.基于神经网络的土石坝沉降组合模型[J].水电源科学,2000,18(4):19-21
[45]刘健,蔡建军,程森.基于遗传神经网络的大坝变形预测模型研究[J].山东大学学报(工学版),2006,36(2):62-66.
[46]姜成科.基于遗传算法的神经网络在大坝变形预测中的应用:(硕士学位论文).大连:大连理工大学,2008.
[47]曹茂森,邱秀梅,夏宁.大坝安全诊断的混沌优化神经网络模型[J].岩土力学,2006,27(8):1344-1348.
[48]黄声享,尹晖,蒋征.变形监测数据处理[M].武汉:武汉大学出版社,2003:5-6.
[49]沈卓君.基于改进神经网络的大坝安全监控模型[J].安徽农业科学,2008,36(12):5243-5244.
[50]何勇军.模糊测度理论在大坝安全智能决策支持系统中的应用[J].河海大学学报(自然科学版),2008,36(5):605-609.
[51]尹晖.时空变形分析与预测的理论和方法[M].测绘出版社,2002,12:6-11.
[52]张正禄,张松林,黄全义.大坝安全监测、分析与预测的发展综述[J].大坝与安全.2002,5:13-16.
[53]朱建军,贺跃光.变形测量的理论与方法[M].长沙:中南大学出版社,2003:44-50.
[54]陈永奇.变形观测数据处理[M].北京:测绘出版社,1988:407-412.
[55]周洪波.基于人工神经网络的大坝变形监测正反分析研究(硕士学位论文).武汉:武汉大学,2004.
[56]杨叔子,吴雅,轩建平.时间序列分析的工程应用[M].武汉:华中科技大学出版社,2007.
[57]张乾飞,王锦国,李雪红.大坝安全监控中的不确定性信息初探[J].河海大学学报:自然科学版,2002,30(5):113-117.
[58] Lippmann R P. An introduction to computing with neural nets[J].IEEE ASSP Magazines,1987,4(2):232-236.
[59] Brudzewski K, Osowski S, Markiewicz T. Classification of milk by means of an electronic nose and SVM neural network[J]. Sensors and Actuators B,2004,98:291-298.
[60] Alexandros K P, Naresh M J, Meecham J. Detection of Mycobacterium tuberculosis (TB) in vitro and in situ using an electronic nose in combination with a neural network system[J]. Biosensors and Bioelectronics,2004,20:538-544.
[61] Onkal E G, Demira I, Engin S N. Determination of the relationship between sewage odour and BOD by neural networks[J]. Environmental Modeling and Software,2005,20:843-850.
[62]魏东.非线性系统神经网络参数预测及控制[M].北京:机械工业出版社,2007:56-59.
[63]阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2005:133-137.
[64]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2002:23-25.
[65]金龙.神经网络气象预测建模理论方法与应用[M].北京:气象出版社,2004:48-49.
[66]杨杰,吴中如,顾冲时.大坝变形监测的BP网络模型与预测研究[J].西安理工大学学报,2001,17(l):25-29.
[67]刘彩红.BP神经网络学习算法的研究(硕士学位论文).重庆:重庆师范大学硕士论文,2008.
[68]谢霄易,张秀丽,陈铿.丰满大坝安全性评价[J].大坝与安全,2009,1:6-11.
[69]刘青海,韩荣池.丰满大坝安全监测自动化系统.水利水电技术[J],2000,31(10):57-59.