一种改进BP神经网络的滑坡形变位移预测方法技术

本发明专利技术实施例涉及神经网络技术领域，公开了一种改进BP神经网络的滑坡形变位移预测方法，包括：采集滑坡训练数据，构造预测数据集；对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BP神经网络模型的最优解；采用最优解训练所述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滑坡预测模型，得到预测结果。本发明专利技术实施例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。

【技术实现步骤摘要】
一种改进BP神经网络的滑坡形变位移预测方法
本专利技术涉及神经网络
，尤其涉及一种改进BP神经网络的滑坡形变位移预测方法。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术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，在本专利技术实施例中，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及T为监测日，T0为所述历史监测数据中首次进行监测的始测日至所述监测日T的累计天数；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，在本专利技术实施例中，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，在本专利技术实施例中，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，以表示第v只蚂蚁在子区间集合Ipi的第j个子区间上释放的信息量，可得：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，实际输出值与期望输出值yi的均方差误差，则迭代运行所述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，在本专利技术实施例中，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，在本专利技术实施例中，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，则返回所述网络输出和目标函数重新进行计算；若μ＝μβ则对ΔW直接本文档来自技高网...

【技术保护点】
1.一种改进BP神经网络的滑坡形变位移预测方法，其特征在于，所述方法包括：/n采集滑坡训练数据，构造预测数据集；/n对所述预测数据集进行归一化处理；/n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；/n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；/n根据时间误差序列修正所述滑坡预测模型，得到预测结果。/n

【技术特征摘要】
1.一种改进BP神经网络的滑坡形变位移预测方法，其特征在于，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。


2.根据权利要求1所述的方法，其特征在于，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及T为监测日，T0为所述历史监测数据中首次进行监测的始测日至所述监测日T的累计天数；
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。


3.根据权利要求2所述的方法，其特征在于，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。


4.根据权利要求3所述的方法，其特征在于，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...

【专利技术属性】
技术研发人员：范军林，涂梨平，柯福阳，罗兵，伍慧群，尧付友，饶邵文，
申请(专利权)人：江西核工业测绘院集团有限公司，江西曼普信息科技有限公司，江苏科博空间信息科技有限公司，
类型：发明
国别省市：江西;36