很长时间以来，测绘工作者做了很多的研究工作并提出了很多良好的神经网络预测方法来对变形监测数据进行预测，例如误差逆传播网络（BP网络）模型、径向基网络（RBF网络）模型、霍普菲尔德网络（Hopfield网络）模型等，使精度不断提高。但对于型变量而言，数据变化具有很强的复杂性以及极强的随机性，而每一种形变的方法都有一定的适应范围，为此就需要不断的优化和完善。

1。3  本文研究内容

BP神经网络模型和RBF神经网络模型是两种应用颇为广泛的神经网络模型，本文将使用BP网络模型和RBF模型进行变形检测预测。本文主要介绍两种神经网络算法的学习过程及MATLAB神经网络工具箱设计误差逆传播网络（BP神经网络）模型和RBF（径向基网络模型）的主要函数，接着基于变形监测数据进行模拟，根据模拟结果，对两种神经网络模型的优缺点进行分析，最终试图构建出更好的神经网络模型。

2  人工神经网络相关概念介绍

2。1  人工神经网络概念的界定

Artificial Neural Network（人工神经网络）其本质是一种神经网络，这个网络具有实现某类或者某一项功能的特点，人工神经网络是在人们对人类大脑的神经结构有所了解的情况下提出的，也就是根据人的神经能够实现对数据、对信息的处理、记忆，是数据处理的系统，根据人类神经及神经元的特点而构建的一类数学模型，它是能够进行复杂的逻辑操作和非线性关系实现的系统[2]。这种网络实际上是一种非线性的极为复杂的网络结构，网络结构中包含许多的简单元件以及这些简单元件相互连接而成。它吸收了生物神经网络的多种优点，所以具有高度的非线性，较好的容错性，很高的并行性，十分强的自适应、自学习功能和联想记忆功能。目前已有几十年的神经网络发展历史，但他的发展也是几经兴衰的。世界上第一个简单的神经网络模型—MP模型是在1943年由美国心理学家McCulloch和数学逻辑学家Pitts提出的，生物神经元的活动功能首次用简单的数学模型模仿出来，为神经网络的进一步研究打下了基础。1957年，美国计算机学家Rosenblatt提出了著名的感知器模型，它可以分类和识别一定的输入矢量模式。在此基础上，美国工程师Windrow和Hoff均提出了第一个用于解决实际问题的人工神经网络——自适应线性元件，它是感知器的变化形式。1969年，人工智能创始人之一Minsky和Papert在《感知器》一书中，对人工神经网络的适用范围、局限性以及所具备的功能等方面给出了数学解释[3]。这里所说的简单人工神经网络是以单层感知器为代表的。神经网络理论的发展在这本书的消极作用下走入低潮时期。1980年刮起了神经网络发展的第二次热潮。1982年，美国学者Hopfield提出了Hopfield网络模型，这个模型就是在其网络中引入了能量函数，根据这个能量函数能够对网络的稳定性进行直接的判断。1986年，误差反向传播法（Error Back-Propagation），简称BP算法由Rumelhart等人提出，这种算法可以解决多层神经网络权值修正，人工神经网络得以快速地发展得益于这个有突破性的研究。基于神经科学研究成果的基础上，行业专家认真研判，构建出了神经网络模型的概念，神经网络对人脑的很多特点进行了反馈，但我们也认识到人工神经网络并不是真正意义上的人的神经系统的描述，而是对这个系统进行了简化、抽象、假设以及模型形成的。从其他方面来说，大脑结构模型、认识模型、计算机信息处理方式或算法结构它都可以发挥作用。现在人工神经网络的研究方向，大多放在于学习性能(学习速度、学习精度)的改良，而从预测角度看更应关注的是改良网络的泛化性能，这种泛化性能是指经训练后的网络对没有在训练里集中出现的样本做出正确反映的能力。为了更好的改良网络的泛化性能，人们提出了像启发式的删去多余神经元的方法和全局优化算法（如模拟退火算法等）。