随着科学技术的进步,交通日趋复杂,为了缓解交通压力,地铁建设开始快速发展,地铁建设也成为了大都市发展的重要领域。为了确保地铁的安全运行,需要实时了解和掌握地铁隧道的变形情况,对地铁隧道结构中可能出现的安全隐患做处理,地铁隧道的变形监测变得至关重要。目前,在地铁隧道变形分析中应用较多的数据处理方法有:回归分析法、时间序列分析模型、灰色系统分析模型、卡尔曼滤波模型、人工神经网络模型等方法。本文主要应用的是BP神经网络,也是应用比较多的一种动态数据处理方法,它是在网络上调整权值和阈值的算法。BP神经网络在训练学习过程中,会存在一些问题,如模型收敛速度慢和容易陷入局部最小,需要针对传统BP神经网络做出一些改进,例如:附加动量法和自适应调整学习率,有效改善了BP神经网络的收敛速度和避免了出现局部极小点;利用小波函数对BP神经网络改进,再次提高网络的收敛速度以及避免局部极小点的出现;建立BP小波神经网络模型,对地铁隧道变形数据进行处理。本文在查阅大量的文献资料的基础上,首先阐述总结了变形监测的意义、地铁变形监测的目的和意义、地铁变形监测技术的发展概况及常用数据处理方法等;在小波分析理论中,描述了几种常用小波函数,例如,Harr小波函数、Daubechies小波、Symlets小波、Morlet小波函数、Mexican Hat小波等;其次详细的阐述了BP神经网络的基本原理、模型和算法;小波分析与BP神经网络的结合方式,原理、模型、算法;最后结合实例分析,利用MATLAB软件编写数据处理程序,对地铁隧道观测数据进行处理,对两种预测模型的结果进行对比分析。最后对本文进行总结概括,提出BP小波神经网络的不足和发展需求。