基于经验模态分解和BP神经网络的地铁沉降预测方法与流程

本发明涉及地铁运营期间的沉降预测方法，特别是涉及基于经验模态分解和BP神经网络的地铁沉降预测方法。
背景技术：
：地铁现场监控量测是地铁施工的重要组成部分，在地铁施工过程中，无论是内部，还是对应上方的变形，都是复杂的非线性、非平稳的动态系统。怎么从获得的数据中提取出内在性的东西，成为我们面临的艰巨任务，此问题的本质也就是数据挖掘。基于此，许多科研人员将地铁变形的实测数据进行各种分析，如人工智能分析以及常规分析，并在此领域取得了丰硕的成果。经验模式分解EMD(EmpiricalModeDecomposition)是一种很好的处理非线性、非平稳信号的方法，该方法克服了小波变换需要选取小波基的难点，同时吸取了小波变换多分辨优势，是一种自适应的小波分解方法，但是处理数据时，经常出现模态混叠的问题。BP(BackPropagation)神经网络理论具有自组织、容错性、自适应等特点，适用于处理推理规则不明确、信息模糊、背景知识复杂的问题，但存在局部最小化、收敛速度慢的问题。将EMD与BP神经网络相结合，有效的的克服了单一模型下EMD，BP神经网络的缺点，可以极大的提高对非线性数据的预测精度。技术实现要素：发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于经验模态分解和BP神经网络的地铁沉降预测方法。技术方案：为达到此目的，本发明采用以下技术方案：本发明所述的基于经验模态分解和BP神经网络的地铁沉降预测方法，包括以下步骤：S1：利用EMD分解将非平稳的沉降信号x(t)分解为不同频率尺度的波动；S2：根据各频段数据特点，建立各频段的BP神经网络模型；S3：使用交叉验证法选择BP神经网络模型的参数；S4：利用各个分量的预测值重构出原始信号的预测序列。进一步，所述步骤S1包括以下步骤：S1.1：将信号a的局部均值组成序列m；S1.2：令h＝a-m，检查序列h是否满足本征模函数的基本条件：如果满足，则继续进行步骤S1.3；否则，则令a＝h，然后返回步骤S1.1；S1.3：令ci＝h，并令ri＝ri-1-ci，i为分解序列的个数，i>0；S1.4：判断迭代ri＝ri-1-ci是否满足停止条件：如果满足，则继续进行步骤S1.5；否则，则令a＝ri，i＝i+1，然后返回步骤S1.1；S1.5：分解完成，得到基本模式分量c1,…,ci,…，以及残留分量r1。进一步，所述步骤S2为：选择每个频段前两天的分解值zt-2和zt-1分别作为输入层x1和x2，即令x1＝zt-2，x2＝zt-1；将当天的分解值zt作为输出层y，t＝2，3,4…,n，n为预测天数；选取不同的隐含层数目，进行对比预测，获得预测值均方根误差最小时对应的隐含层数目，以此建立BP神经网络模型。进一步，所述步骤S3为：利用交叉验证法选取不同的参数组合，参数组合包括学习误差、训练样本次数计数器n、学习速率、精度emin中的一种或多种，选择预测值均方根误差最小的参数作为BP神经网络模型的参数。进一步，所述步骤S4为：根据式(1)预测得到沉降数据：P＝∑IMFs+r1(1)式(1)中，P为预测得到的沉降数据，IMFS为各频段所得预测值，r1为预测残留分量。有益效果：与现有技术相比，本发明具有如下的有益效果：1)本发明克服了EMD单一模型模态混叠的问题，以及BP神经网络局部极小化、收敛速度慢的问题；2)本发明相对于单一模型来说，极大的提高了对非线性数据的处理精度。附图说明图1为本发明具体实施方式中南京市某地铁监测点的沉降时间序列；图2为本发明具体实施方式中沉降时间序列进行EMD分解后的各个分量；图2(a)为本发明具体实施方式中沉降时间序列进行EMD分解后的IMF1分量；图2(b)为本发明具体实施方式中沉降时间序列进行EMD分解后的IMF2分量；图2(c)为本发明具体实施方式中沉降时间序列进行EMD分解后的IMF3分量；图2(d)为本发明具体实施方式中沉降时间序列进行EMD分解后的IMF4分量；图2(e)为本发明具体实施方式中沉降时间序列进行EMD分解后的r5分量；图3为本发明具体实施方式中的模型残差值的对比结果。具体实施方式下面结合附图和具体实施方式对本发明的技术方案作进一步的介绍。本具体实施方式公开了一种基于经验模态分解和BP神经网络的地铁沉降预测方法，包括以下步骤：S1：利用EMD分解将非平稳的沉降信号x(t)分解为不同频率尺度的波动，具体包括以下步骤：S1.1：将信号a的局部均值组成序列m；S1.2：检查序列h是否满足本征模函数的基本条件，h＝a-m：如果满足，则继续进行步骤S1.3；否则，则令a＝h，然后返回步骤S1.1；S1.3：令ci＝h，并令ri＝ri-1-ci，i为分解序列的个数，i>0；S1.4：判断迭代ri＝ri-1-ci是否满足停止条件：如果满足，则继续进行步骤S1.5；否则，则令a＝ri，i＝i+1，然后返回步骤S1.1；S1.5：分解完成，得到基本模式分量c1,…,ci,…，以及残留分量r1。本征模函数也即IntrinsicModeFunction，简称IMF。IMF须满足以下两个性质：(1)信号的极值点(极大值或极小值)数目和过零点数目相等或最多相差一个；(2)由局部极大值构成的上包络线和由局部极小值构成的下包络线的平均值为零。本具体实施方式是基于南京某地铁保护监测区隧道内一个沉降监测点连续实测数据为样本。监测点的数据为2014年6～12月份的200组数据，每期相隔时间为24h，趋势如图1所示。将所获得沉降数据通过步骤S1的EMD分解步骤，进行分解，结果将得到分解所得四个频段的数据和一个残余序列，如图2(a)—(e)所示。S2：根据各频段数据特点，建立各频段的BP神经网络模型，具体为：选取每组数据的前120期为学习样本，剩下的80期为检验样本。选择每个频段前两天的分解值zt-2和zt-1分别作为输入层x1和x2，即令x1＝zt-2，x2＝zt-1；将当天的分解值zt作为输出层y，t＝2，3,4…,n，n为预测天数；选取不同的隐含层数目，进行对比预测，获得预测值均方根误差最小时对应的隐含层数目，以此建立BP神经网络模型。S3：使用交叉验证法选择BP神经网络模型的参数，具体为：利用交叉验证法选取不同的参数组合，参数组合包括学习误差、训练样本次数计数器n、学习速率、精度emin中的一种或多种，选择预测值均方根误差最小的参数作为BP神经网络模型的参数。表1EMD-BP神经网络组合模型结构及参数S4：利用各个分量的预测值重构出原始信号的预测序列，具体为：根据式(1)预测得到沉降数据：P＝∑IMFs+r1(1)式(1)中，P为预测得到的沉降数据，IMFS为各频段所得预测值，r1为预测残留分量。下面选取BP神经网络模型对数据进行预测分析，并将通过本具体实施方式方法建立的EMD-BP神经网络模型与BP神经网络模型进行对比，来验证EMD-BP神经网络组合模型的优越性。表2EMD-BP神经网络与BP神经网络预测沉降对比mm根据表2的预测结果对比，可以看出EMD-BP神经网络模型的预测值的残差值整体要比BP神经网络模型小。根据计算可得，BP神经网络预测值中误差RMSE＝±0.2339，信噪比SNR＝70.5105；EMD-BP神经网络预测值的中误差RMSE＝±0.1245，信噪比SNR＝75.3100。中误差是衡量观测精度的一种数字标准，中误差越小，表明数据误差越小。信噪比是指一组数据中信号与噪声的比例，信噪比越大表明数据中的噪声越小，意味着数据的质量越高。表4预测值的标准差(RMSE)与信噪比(SNR)对比结果BP神经网络预测值EMD-BP神经网络预测值RMSE±0.2339mm±0.1245mmSNR70.510575.3100通过比较可发现，EMD-BP神经网络模型预测精度比BP神经网络预测精度有较大程度的提高，信噪比也反映出EMD-BP神经网络组合模型的高质量。EMD-BP神经网络与BP神经网络预测残差值对比图如图3所示。通过以上分析发现：(1)EMD-BP组合模型在地铁沉降预测上的运用，相比于单个的BP神经网络的预测精度提高了46％，信噪比的比较也反映出EMD-BP神经网络组合模型预测数据的高质量。(2)EMD-BP神经网络的组合模型，相比于BP神经网络来说，能够更加完美的拟合非线性、复杂的序列，更加深层次的找到复杂系统的规律。(3)EMD-BP神经网络的组合模型，在预测时将不同频率的序列分离，减少了不同因素相互的干扰，减少了预测数据的噪声，提升了预测数据的质量。当前第1页1 2 3