基坑降水引起地面沈降的BP神經網絡預測模型建模過程如下：
（1）樣本選擇
因基坑降水引起的地面沈降量和距離基坑的距離關系密切，因此建模選用“基坑降水引起沈降工程數據（第二類）”（見表4.1）中的相關數據作為樣本進行學習訓練和檢驗。
（2）BP神經網絡結構設計
對於BP網絡，對於任何在閉區間內的壹個連續函數都可以用單隱層的BP網絡逼近，因而壹個三層BP網絡就可以完成任意的n維到m維的映射。根據網絡結構簡單化的原則，確定采用三層BP網絡結構，即輸入層為沈降點距基坑的距離L（m）、等效壓縮模量E（MPa）、水位降深H（m）和支護剛度n四個參數，輸出層為地面累積沈降量（mm），隱層層數為1層。隱層的神經元數目選擇是壹個十分復雜的問題，往往需要根據設計者的經驗和多次實驗來確定，因而不存在壹個理想的解析式來表示。隱單元的數目與問題的要求，與輸入、輸出單元的數目有直接的關系。隱單元數目太多會導致學習時間過長，誤差不壹定最佳，也會導致容錯性差、不能識別以前沒有看到的樣本，因此壹定存在壹個最佳的隱單元數。研究通過壹次編程比較了隱層神經元個數分別為5、10、15、20、25、30、40時訓練速度及檢驗精度。
圖4.2 BP神經網絡程序框圖
（3）網絡訓練及檢驗
BP網絡采用梯度下降法來降低網絡的訓練誤差，考慮到基坑降水地面沈降範圍內沈降量變化幅度較小的特點，訓練時以訓練目標取0.001為控制條件，考慮到網絡的結構比較復雜，神經元個數比較多，需要適當增加訓練次數和學習速率，因此初始訓練次數設為10000次，學習速率取0.1，中間層的神經元傳遞函數采用S型正切函數tansig，傳輸函數采用logsig，訓練函數采用trainlm，選用38組數據中的33組作為訓練樣本，5組作為檢驗樣本。
（4）網絡實現及檢驗效果
使用MATLAB6.0編程建立基於BP神經網絡的基坑降水地面沈降預測模型（程序代碼見附件1），其訓練誤差及檢驗效果如下：
圖4.3 訓練誤差曲線
圖4.4 預測誤差曲線
由圖4.3、圖4.4可見：樣本數據收斂，訓練誤差較小，中間層神經單元個數為10時預測精度較好，誤差小於20%，誤差滿足工程需求。