基于小波神经网络预测模型的水害风险分析方法技术

本发明专利技术公开基于小波神经网络预测模型的水害风险分析方法，以BP神经网络拓扑结构为基础，把小波函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络，包括小波神经网络构建；小波神经网络训练；小波神经网络预测。首先对神经网络进行训练。输入层有15个节点，表示预测节点前的15个数据，隐含层有31个节点，输出层有1个节点，在做预测时，可往后预测12个点，每预测出1个点，将其看做已知点，继续作为输入得到下一个预测点，直到得到12个预测点为止。平均相对误差可达到1.98％。该模型优点主要是模型精度较高，可以实现短中期动态预测。实现短中期动态预测。实现短中期动态预测。

【技术实现步骤摘要】
基于小波神经网络预测模型的水害风险分析方法


[0001]本专利技术涉及水害动态预测分析
具体地说是基于小波神经网络预测模型的水害风险分析方法。

技术介绍

[0002]近年来，全国各煤矿企业相继发生重大水害事故，国家高度重视煤矿水害治理工作，强化落实《煤矿防治水规定》。随着国家对煤矿防治水管理标准要求越来越严，为了科学、有效地指导煤矿水害防治工作，迫切建立一套切实有效的风险评估与预测方法。
[0003]在2007年，宋殿青结合矿井环境特点，利用BP神经网络对危险源进行细致研究与评价。2012年，马巨鹏通过对基于水源的单源数据预警、极值预警、多参数加权预警等预警原理进行分析，结合突水系数法、阻水系数法以及涌水量的预测方法对矿井水害预警的推理规则进行设计研究。在此研究基础上，开发了矿井水害预警专家系统。同年，王博辉通过对监测区域某时刻生成的预警数据集进行协同局部极值搜索，并对该时刻时序条件下生成的变化率预警数据集进行变化率局部极值搜索，依据设定的预警参数权重和极值搜索阀值权重对预警分析的结果进行加权计算，对超过预警指标的预警分析结果进行预警决策判定，进而实现水害预警。2014年，闫勇应用GIS空间分析技术,实现了对采掘作业危险源的实时、动态预警以及灾害超前预警。在2015年，刘丽综合考虑岩组岩性、地质构造、岩溶水动力分带和地形地貌等因素,运用层次分析法和模糊综合评判理论对岩溶隧道水害风险进行评估。在2018年，赵德康将未确知测度理论和变权模型相结合，提出了基于变权和未确知测度的水害风险的评价模型，将随机森林理论引入评价中，提出了一种基于随机森林的评价模型。在“三图法”的理论指导下，对水害风险进行了预测评价。2020年，乔伟,靳德武,王皓等人基于大数据处理，数据迁移以及智能算法实现了水害智能动态预警和数据可视化表达。在2021年，李亚利进行了基于大数据技术的煤矿水害监测预警系统的实践应用研究，实现了及时监测各水害指标，并及时实现自动报警动作。
[0004]针对水害风险数据的随机性和不确定性，在对其进行预测时，可以采用神经网络方法。通过大量的历史水害数据对BP神经网络进行训练，然后利用训练好的神经网络对未来水害情况进行预测。但是传统的BP神经网络结构设计上具有盲目性，以及网络权系数线性分布和学习目标函数具有凸性。

技术实现思路

[0005]为此，本专利技术所要解决的技术问题在于提供一种提供精度较高的中短期的的基于小波神经网络预测模型的水害风险分析方法。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：
[0007]基于小波神经网络预测模型的水害风险分析方法，以BP神经网络拓扑结构为基础，把小波函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络，具体包括如下步骤：
[0008](1)小波神经网络构建；
[0009](2)小波神经网络训练；
[0010](3)小波神经网络预测。
[0011]上述基于小波神经网络预测模型的水害风险分析方法，在步骤(1)中，小波神经网络包括输入层、隐含层和输出层；
[0012]输入层：以X1，X2，
…
,X
m
作为小波神经网络的输入参数；
[0013]隐含层：以小波函数h
j
作为隐含层节点来传递函数；
[0014]输出层：以Y1，Y2，
…
,Y
n
作为小波神经网络的预测输出结果；
[0015]输入参数为任意单一监测指标的按时间顺序排列的m个数据。
[0016]上述基于小波神经网络预测模型的水害风险分析方法，单一监测指标为水位(m)、水温(℃)、水质(mg/L)、降雨量(mm)、涌水量(L/(s
·
m))、风速(m/s)、湿度(％rh)或温度(℃)。
[0017]上述基于小波神经网络预测模型的水害风险分析方法，隐含层中，在输入信号为x
i
(i＝1，2,
…
m)时，隐含层输出计算公式为：
[0018][0019]其中：h(j)为隐含层第j个节点输出值，b
j
为小波基函数h
j
的平移因子，a
j
为小波基函数h
j
的伸缩因子，h
j
为选定的小波基函数，l为隐含层神经元个数；w
ij
为输入层和隐含层的连接权值。
[0020]上述基于小波神经网络预测模型的水害风险分析方法，在输出层中，小波神经网络输出层计算公式为：
[0021][0022]其中，w
ij
为输入层和隐含层的连接权值，h(j)代表隐含层第j个神经元的小波基函数的短时交通流量的计算输出值。
[0023]上述基于小波神经网络预测模型的水害风险分析方法，在步骤(2)中：
[0024](2
‑
1)网络初始化：随机初始化小波函数h
j
伸缩因子a
j
、小波函数h
j
平移因子b
j
以及网络连接权重，设置网络学习速率η；
[0025](2
‑
1)样本分类：把样本分为训练样本和测试样本，训练样本用于训练网络，测试样本用于测试网络精度。
[0026]上述基于小波神经网络预测模型的水害风险分析方法，在步骤(3)中：
[0027](3
‑
1)预测输出：把训练样本输入小波神经网络，计算小波神经网络预测输出，并计算小波神经网络输出和期望输出的网络预测误差；
[0028](3
‑
2)权值修正：根据网络预测误差e修正网络权值和小波函数参数，使网络预测值逼近期望值；
[0029](3
‑
3)判断算法是否结束，如没有结束，返回步骤(3
‑
1)。
[0030]上述基于小波神经网络预测模型的水害风险分析方法，在步骤(3
‑
1)中，计算网络预测误差为：
[0031][0032]其中，e为网络预测误差，yn(k)为期望输出，y(k)为小波神经网络预测输出。
[0033]上述基于小波神经网络预测模型的水害风险分析方法，根据网络输出误差，修正小波神经网络权值和小波基函数系数，采用梯度修正法对小波
[0034]网络的权值进行修正，具体的修正方法为：
[0035][0036][0037]其中：为第i次迭代时，输入层到隐含层之间、隐含层到输出层的各连接权值，为第i+1次迭代时，输入层到隐含层之间、隐含层到输出层的各连接权值，为第i次迭代时，第k个隐层神经元的小波基函数h(j)的伸缩因子,为第i+1次迭代时，第k个隐层神经元的小波基函数h(j)的伸缩因子,为第i次迭代时，第k个隐层神经元的小波基函数h(j)的平移因子，为第i+1次迭代时，第k个隐层神经元的小波基函数h(j)的平移因子，
[0038]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于小波神经网络预测模型的水害风险分析方法，其特征在于，以BP神经网络拓扑结构为基础，把小波函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络，具体包括如下步骤：(1)小波神经网络构建；(2)小波神经网络训练；(3)小波神经网络预测。2.根据权利要求1所述的基于小波神经网络预测模型的水害风险分析方法，其特征在于，在步骤(1)中，小波神经网络包括输入层、隐含层和输出层；输入层：以X1，X2，
…
,X
m
作为小波神经网络的输入参数；隐含层：以小波函数h
j
作为隐含层节点来传递函数；输出层：以Y1，Y2，
…
,Y
n
作为小波神经网络的预测输出结果；输入参数为任意单一监测指标的按时间顺序排列的m个数据。3.根据权利要求2所述的基于小波神经网络预测模型的水害风险分析方法，其特征在于，单一监测指标为水位(m)、水温(℃)、水质(mg/L)、降雨量(mm)、涌水量(L/(s
·
m))、风速(m/s)、湿度(％rh)或温度(℃)。4.根据权利要求2所述的基于小波神经网络预测模型的水害风险分析方法，其特征在于，隐含层中，在输入信号为x
i
(i＝1，2,
…
m)时，隐含层输出计算公式为：其中：h(j)为隐含层第j个节点输出值，b
j
为小波基函数h
j
的平移因子，a
j
为小波基函数h
j
的伸缩因子，h
j
为选定的小波基函数，l为隐含层神经元个数；w
ij
为输入层和隐含层的连接权值。5.根据权利要求4所述的基于小波神经网络预测模型的水害风险分析方法，其特征在于，在输出层中，小波神经网络输出层计算公式为：其中，w
ij
为输入层和隐含层的连接权值，h(j)代表隐含层第j个神经元的小波基函数的短时交通流量的计算输出值。6.根据权利要求5所述的基于小波神经网络预测模型的水害风险分析方法，其特征在于，在步骤(2)中：(2
‑
1)网络初始化：...

【专利技术属性】
技术研发人员：徐斌，尹尚先，李强丽，连会青，于健，尹慧超，刘德民，夏向学，
申请(专利权)人：防灾科技学院，
类型：发明
国别省市：