本发明涉及神经网络技术领域,尤其涉及一种改进bp神经网络的滑坡形变位移预测方法。
背景技术:
滑坡是地形、地貌、地质、水文、气象、土壤、植被等自然/人为因素综合作用的结果,是山地环境恶化的产物,其具有分布广、突发性强、破坏力强、不易被发现且易链状成灾等特点,在我国,滑坡灾害发生十分频繁且灾害损失极为严重,每年因滑坡灾害所造成的人员伤亡、交通中断、设施损毁等,带来了难以估计的直接与间接经济损失。近年来,我国诸多新建的重大基础设施均受到滑坡等地质灾害的严重制约与威胁,为了规避此类地质灾害,铁路或高速公路的桥隧比被迫提高,使得工程造价大幅度上涨。
目前,针对滑坡等地质灾害的监测预警研究,已发展出了insar、gps、lidar等高精度、大范围的地表监测手段,但滑坡等地质灾害的影响因素复杂多样,呈现非线性变化,以上监测手段难以应该隐蔽、突发的地质灾害。
技术实现要素:
本发明实施例公开一种改进bp神经网络的滑坡形变位移预测方法,基于滑坡历史监测数据,通过改进bp数据网络建立得到滑坡预测模型,在存在多影响因素且影响因素呈现非线性变化的情况下,实现了对滑坡灾害进行准确预测,进而通过合理规划设计,降低监测成本与施工成本,有效保护人民群众的生命财产安全。
本发明实施例公开一种改进bp神经网络的滑坡形变位移预测方法,所述方法包括:
采集滑坡训练数据,构造预测数据集;
对所述预测数据集进行归一化处理;
采用蚁群算法建立bp神经网络模型,计算所述bp神经网络模型的最优解;
采用所述最优解训练所述bp神经网络模型,得到滑坡预测模型;
根据时间误差序列修正所述滑坡预测模型,得到预测结果。
作为一种可选的实施方式,在本发明实施例中,所述采集滑坡训练数据,构造预测数据集,包括:
设置对应于温度数据、坡体湿度数据及时效数据的若干影响因子;
基于历史监测数据获取每一所述影响因子的若干项因子变量,构造得到所述预测数据集;
其中,所述温度数据对应的温度因子取
所述坡体湿度数据对应的坡体湿度因子取l-l0,(l-l0)2,(l-l0)3及(l-l0)4,l为所述监测日t对应的坡体湿度,l0为所述始测日t0对应的坡体湿度;
所述时效数据对应的时效因子取γ-γ0及lnγ-lnγ0两项,γ的数值为所述监测日t除以100,γ0的数值为所述始测日t0除以100。
作为一种可选的实施方式,在本发明实施例中,所述对所述预测数据集进行归一化处理,包括:
针对所述预测数据集中第i个因子变量xi,采用以下公式对所述xi进行归一化处理:
其中,xmax与xmin分别为所述预测数据集中所述xi对应的最大值与最小值。
作为一种可选的实施方式,在本发明实施例中,所述采用蚁群算法建立bp神经网络模型,计算所述bp神经网络模型的最优解,包括:
采用蚁群算法建立3层的多输入单输出的bp神经网络模型,所述bp神经网络模型包含有输入层、隐含层及输出层;
采用试凑方法确定所述隐含层中的隐含神经元个数l,如下:
其中,n为所述输入层中的神经元个数,m为所述输出层的神经元个数,a为区间[1,10]的常数;
确定蚁群算法的待优化参数pi的个数d,如下:
d=(n+1)l+(l+1)m;
基于所述待优化参数pi,采用蚁群算法构造得到所述滑坡预测模型;
确定所述待优化参数pi(1≤i≤n)的取值区间,并对每一所述取值区间划分为s个子区间,得到子区间集合ipi,并在每一所述子区间对应的取值范围内随机选取一个候选值作为该子区间的元素;
以τij(t)表示t时刻所述子区间集合ipi中第j个的元素的信息素浓度,且i=1,2,...,n,j=1,2,...,s,为所述子区间集合ipi中每一所述元素设定相同的信息素浓度可得:τij(t)=τij(0)=c;
令迭代次数nc=0,并设定最大迭代次数ncmax;
逐一从所述子区间集合ipi中的s个子区间中随机选取一个元素,得到s个所述元素组成所述bp神经网络模型;
基于蚁群算法运行所述bp神经网络模型,以pij(t)表示t时刻所述子区间集合ipi中第j个的元素被蚂蚁选择的概率,可得:
令所述迭代次数nc=nc+1,则每一蚂蚁所选择的n个所述元素对应为所述bp神经网络模型中的一组权值组合,将所述权值组合设为所述bp神经网络模型的初始权值与阈值;
计算当前时刻每一蚂蚁对应的所述初始权值与所述阈值的输出误差,记录为所述当前时刻的最优解;
重置每一蚂蚁,更新所述子区间集合ipi中每一所述元素的信息素浓度:
τij(t+1)=(1-ρ)τij(t)δ(t)+δτij;
其中,ρ为信息素挥发系数,以δτij表述信息素增量,可得:
以q表述蚂蚁的数量,以
其中,以q表示信息素常量,ev表示第v只蚂蚁所选择元素的权值组合作为所述bp神经网络模型当前的初始权值时,实际输出值
迭代运行所述bp神经网络模型,当所述迭代次数nc≥ncmax时,或者,当蚁群全部收敛至同一权值组合时,得到所述bp神经网络模型的最优解。
作为一种可选的实施方式,在本发明实施例中,所述重置每一蚂蚁,更新所述子区间集合ipi中每一所述元素的信息素浓度,包括:
贡献因子表达式如下:
其中,δ(t)为单调递减指数函数,t为蚁群算法的第t次迭代,m为大于0的常数,用以表示后代蚁群信息素的贡献度,当m的数值越大时,则残留的信息素浓度越底,对后代蚁群贡献度越小。
作为一种可选的实施方式,在本发明实施例中,所述采用所述最优解训练所述bp神经网络模型,得到滑坡预测模型,包括:
设定所述bp神经网络模型中所述输出层的目标变量为y,设定激活函数为f(),采用c对偏差函数w及输出权值p进行表征,即c=f(p,w),在此引入rt(w)=yt-f(pt,w),可组成向量r(w),并得到目标函数e(w)如下:
其中,j为r的雅可比矩阵;
基于雅克比矩阵j近似构造得到黑塞矩阵h=jtj,并代入高斯-牛顿公式如下:
对所述高斯-牛顿公式进行改进,得到权值变量及偏差适应性调整的l-m算法如下:
其中,基于高斯-牛顿迭代法时,μ的取值范围趋于0,以及,基于标准梯度法时,μ的取值范围趋于无穷;
基于所述bp神经网络模型的最优解,引入网络输出、常数μ0、常数β及训练误差最大允许值ε,设置迭代次数μ=μ0,k=0,依据wk+1=wk+δw计算e(wk+1);
若e(wk+1)<e(wk),且k=k+1,
若μ=μβ则对δw直接进行计算,得到所述滑坡预测模型。
作为一种可选的实施方式,在本发明实施例中,所述根据时间误差序列修正所述滑坡预测模型,得到预测结果,包括:
获取所述滑坡预测模型的拟合值与实测值的相对误差,得到所述时间误差序列;
基于分布密度及取值范围将所述时间误差序列划分为n个状态,以s=[s1,s2,...,sn]进行表示,并确定所述n个状态之间的转移概率矩阵
其中,
可得起始状态si的初始向量p0经过m步转换以后的状态向量为:
pm=p0p(m);
在所述时间误差序列中选取n个距离预测值符合预设距离阈值的已知状态值,基于状态转移概率矩阵分别计算得到第i(i=1,2,...,n)个已知状态值经过m(m+i=n+1);m=n,n-1,...,1)步转换后的n个概率值之和;
取所述概率值之和及概率值最大值所对应的状态作为所述相对误差的状态;
取所述相对误差的中点值为基准,修正所述相对误差,如下:
其中,
归纳得到所述相对误差的波动规律,基于所述波动规律修正所述滑坡预测模型并进行预测,得到所述预测结果。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,基于滑坡历史监测数据,通过改进bp数据网络建立得到滑坡预测模型,在存在多影响因素且影响因素呈现非线性变化的情况下,实现了对滑坡灾害进行准确预测,进而通过合理规划设计,降低监测成本与施工成本,有效保护人民群众的生命财产安全。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种改进bp神经网络的滑坡形变位移预测方法的流程示意图;
图2是本发明实施例公开的一种bp神经网络模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种改进bp神经网络的滑坡形变位移预测方法,基于滑坡历史监测数据,通过改进bp数据网络建立得到滑坡预测模型,在存在多影响因素且影响因素呈现非线性变化的情况下,实现了对滑坡灾害进行准确预测,进而通过合理规划设计,降低监测成本与施工成本,有效保护人民群众的生命财产安全。
请参阅图1及图2,图1是本发明实施例公开的一种改进bp神经网络的滑坡形变位移预测方法的流程示意图;图2是本发明实施例公开的一种bp神经网络模型的结构示意图。
如图1所示,该改进bp神经网络的滑坡形变位移预测方法可以包括以下步骤。
101、采集滑坡训练数据,构造预测数据集。
本发明实施例中,在滑坡易发地区长期监测并采集得到历史监测数据,作为滑坡训练数据,包括gnss传感器训练数据、气象训练数据或者地理特征训练数据中的一种或多种。
本发明实施例中,设置对应于温度数据、坡体湿度数据及时效数据的若干影响因子;
基于历史监测数据获取每一影响因子的若干项因子变量,构造得到预测数据集;
其中,温度数据对应的温度因子取
坡体湿度数据对应的坡体湿度因子取l-l0,(l-l0)2,(l-l0)3及(l-l0)4,l为监测日t对应的坡体湿度,l0为始测日t0对应的坡体湿度;
时效数据对应的时效因子取γ-γ0及lnγ-lnγ0两项,γ的数值为监测日t除以100,γ0的数值为始测日t0除以100。
可以理解的是,影响因子除了以上的温度数据、坡体湿度数据及时效数据,还可以是坡度数据、坡体材质数据等,在此选取至少10种历史检测数据作为影响因子,量化构造滑坡数据集。
102、对预测数据集进行归一化处理。
本发明实施例中,对预测数据集划分为训练样本数据集与测试样本数据集,并进行归一化处理。
作为一种可选的实施方式,针对预测数据集中第i个因子变量xi,采用以下公式对所述xi进行归一化处理:
其中,xmax与xmin分别为所述预测数据集中所述xi对应的最大值与最小值。
通过对量级与量纲不一致的训练样本数据集与测试样本数据集归一化处理,显著加快了后续的学习训练速度。
103、采用蚁群算法建立bp神经网络模型,计算bp神经网络模型的最优解。
本发明实施例中,采用蚁群算法建立bp神经网络模型并求取最优解,避免陷入局部最优解。
作为一种可选的实施方式,采用蚁群算法建立3层的多输入单输出的bp神经网络模型,bp神经网络模型包含有输入层、隐含层及输出层;
采用试凑方法确定所述隐含层中的隐含神经元个数l,如下:
其中,n为输入层中的神经元个数,m为输出层的神经元个数,a为区间[1,10]的常数;
确定蚁群算法的待优化参数pi的个数d,如下:
d=(n+1)l+(l+1)m;
基于待优化参数pi,采用蚁群算法构造得到所述滑坡预测模型;
确定待优化参数pi(1≤i≤n)的取值区间,并对每一取值区间划分为s个子区间,得到子区间集合ipi,并在每一子区间对应的取值范围内随机选取一个候选值作为该子区间的元素;
以τij(t)表示t时刻子区间集合ipi中第j个的元素的信息素浓度,且i=1,2,...,n,j=1,2,...,s,为子区间集合ipi中每一元素设定相同的信息素浓度可得:τij(t)=τij(0)=c;
令迭代次数nc=0,并设定最大迭代次数ncmax;
逐一从子区间集合ipi中的s个子区间中随机选取一个元素,得到s个元素组成bp神经网络模型;
基于蚁群算法运行bp神经网络模型,以pij(t)表示t时刻子区间集合ipi中第j个的元素被蚂蚁选择的概率,可得:
令迭代次数nc=nc+1,则每一蚂蚁所选择的n个所述元素对应为bp神经网络模型中的一组权值组合,将权值组合设为bp神经网络模型的初始权值与阈值;
计算当前时刻每一蚂蚁对应的初始权值与阈值的输出误差,记录为当前时刻的最优解;
重置每一蚂蚁,更新子区间集合ipi中每一元素的信息素浓度:
τij(t+1)=(1-ρ)τij(t)δ(t)+δτij;
贡献因子表达式如下:
其中,δ(t)为单调递减指数函数,t为蚁群算法的第t次迭代,m为大于0的常数,用以表示后代蚁群信息素的贡献度,当m的数值越大时,则残留的信息素浓度越底,对后代蚁群贡献度越小。
其中,ρ为信息素挥发系数,以δτij表述信息素增量,可得:
以q表述蚂蚁的数量,以
其中,以q表示信息素常量,ev表示第v只蚂蚁所选择元素的权值组合作为所述bp神经网络模型当前的初始权值时,实际输出值
迭代运行bp神经网络模型,当迭代次数nc≥ncmax时,或者,当蚁群全部收敛至同一权值组合时,得到bp神经网络模型的最优解。
可见,在bp神经网络模型时加入后代蚁群的贡献因子,避免了蚁群算法陷入局部最优解,有效确保了蚁群算法进行全部搜索时的随机性与多样性,可准确获得bp神经网络模型的最优解为全局最优解。
104、采用最优解训练所述bp神经网络模型,得到滑坡预测模型。
本发明实施例中,基于步骤103所得bp神经网络模型的最优解进行迭代训练。
作为一种可选的实施方式,设定bp神经网络模型中输出层的目标变量为y,设定激活函数为f(),采用c对偏差函数w及输出权值p进行表征,即c=f(p,w),在此引入rt(w)=yt-f(pt,w),可组成向量r(w),并得到目标函数e(w)如下:
其中,j为r的雅可比矩阵;
基于雅克比矩阵j近似构造得到黑塞矩阵h=jtj,并代入高斯-牛顿公式如下:
对高斯-牛顿公式进行改进,得到权值变量及偏差适应性调整的l-m算法如下:
其中,基于高斯-牛顿迭代法时,μ的取值范围趋于0,以及,基于标准梯度法时,μ的取值范围趋于无穷;
基于bp神经网络模型的最优解,引入网络输出、常数μ0、常数β及训练误差最大允许值ε,设置迭代次数μ=μ0,k=0,依据wk+1=wk+δw计算e(wk+1);
若e(wk+1)<e(wk),且k=k+1,
若μ=μβ则对δw直接进行计算,得到滑坡预测模型。
可见,在权值变量及偏差持续进行适应性调整的情况下,随着迭代此时的增多,bp神经网络模型的误差将持续缩小,直至误差最小时,l-m算法转换成为高斯-牛顿迭代法,则训练完成,得到收敛度高的滑坡预测模型。
105、根据时间误差序列修正滑坡预测模型,得到预测结果。
本发明实施例中,滑坡训练数据受地域、气候、地质及人为活动等众多因素影响,输出结果存在较大波动。
作为一种可选的实施方式,获取滑坡预测模型的拟合值与实测值的相对误差,得到时间误差序列;
基于分布密度及取值范围将所述时间误差序列划分为n个状态,以s=[s1,s2,...,sn]进行表示,并确定n个状态之间的转移概率矩阵
其中,
可得起始状态si的初始向量p0经过m步转换以后的状态向量为:
pm=p0p(m);
在时间误差序列中选取n个距离预测值符合预设距离阈值的已知状态值,基于状态转移概率矩阵分别计算得到第i(i=1,2,...,n)个已知状态值经过m(m+i=n+1);m=n,n-1,...,1)步转换后的n个概率值之和;
取概率值之和及概率值最大值所对应的状态作为所述相对误差的状态;
取相对误差的中点值为基准,修正相对误差,如下:
其中,
归纳得到相对误差的波动规律,基于波动规律修正滑坡预测模型并进行预测,得到预测结果。
可见,根据测试样本数据集测得滑坡预测模型的拟合值与实测值的相对误差,得到时间误差序列,据此对滑坡预测模型进行修正,并进行应用性预测,得到预测结果。
综上,基于滑坡历史监测数据,通过改进bp数据网络建立得到滑坡预测模型,在存在多影响因素且影响因素呈现非线性变化的情况下,实现了对滑坡灾害进行准确预测,进而通过合理规划设计,降低监测成本与施工成本,有效保护人民群众的生命财产安全。
以上对本发明实施例公开的一种改进bp神经网络的滑坡形变位移预测方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。