一种古建筑沉降的组合预测方法及系统与流程

本发明涉及古建筑沉降预测技术领域，特别涉及一种古建筑沉降的组合预测方法及系统。

背景技术：

当今，文物保护模式逐渐从“抢救性”保护过渡到“预防性”保护，利用物联网技术实现文物多角度全方位监测，为文物病害发展趋势预测提供了丰富的数据支持，为文物保护和修复方案的制定提供了重要依据，避免因决策不当造成文化遗产价值遗失。文化遗产包含古墓葬、古建筑等不可移动文物。古建筑沉降是由于建筑物荷载通过基础底面传递给地基，使天然土层原有的应力状态发生变化，当地基荷载不均匀时，就会造成不均匀沉降，从而给古建筑完整性和安全性带来隐患。如果沉降变形估计不足，轻则出现裂缝影响古建筑观瞻性和稳定性，重则会引发结构坍塌和严重人员伤亡事故。因此，提高古建筑沉降的预测精度至关重要。

造成古建筑沉降的因素包括地下水开采、人为破坏、自身结构等多种随机性、不确定性因素，因此，沉降数据具有非线性、复杂性及多模态性等特点，致使沉降预测存在诸多困难。目前计算与预测沉降形变的理论方法可以分为两类：一类是模型法，即基于土体本构关系的数值方法，从地面沉降的整个发展过程来分析考虑，建立沉降量与时间的关系模型；另一类是基于实测数据的智能分析方法。

模型法主要采用渗透固结理论、静态预测法和灰色系统法等。其中，渗透固结理论由于参数获得、理论假设等方面的问题，其预测误差往往较大；静态预测法是建立建筑物沉降与时间的拟合关系，常用的拟合函数有双曲线、指数函数等，由于拟合函数事先给定，使得该方法适用范围受到较大限制，且难以反映全过程的沉降与时间的关系；灰色预测模型适用于对非线性、不确定系统的时间序列数据进行预测，尤其对“贫信息”的小样本量作总体趋势预测。张庆伟、刘毅、王亚光等采用灰色模型对地面沉降数据进行了预测，从预测结果来看，灰色模型初期预测较好，但后期收敛较慢，因沉降的多变性和复杂性以及试验参数获取的困难性，不能达到预测精度的要求。尤其是当系统中出现了突变、故障等情况时，由于数据的突变，破坏了数据本身的平稳性，造成预测误差大幅上升。

在智能分析方法中，很多学者利用bp人工神经网络、小波分析等方法对沉降预测进行了研究。bp神经网络模型具有自学习、容错性强、计算简单、并行处理速度快等优点，在理论上可以任意逼近任何非线性映射。yong、carles等采用人工神经网络(artificialneuralnetwork，ann)、高斯过程(gaussianprocesses，gp)法进行沉降预测。ocak等通过bp神经网络对隧道围岩变形了预测。由于bp神经网络是一种前馈神经网络，而沉降会有一定的滞后性，与前几年的沉降量存在一定关联性，使得bp神经网络在中短期预测方面存在很大局限性。郭健运用小波分析对沉降监测数据去噪处理后，构建了w-rbf预测模型，验证了运用rbf神经网络进行沉降预测的可行性。从现有模型对路基沉降的预测情况看，多数模型只适合中短期预测，而中长期的预测能力(预测长度和预测精度)较弱，同时在很多情况下缺少对模型可靠性的验证。

技术实现要素：

本发明实施例提供了一种古建筑沉降的组合预测方法及系统，用以解决现有技术中存在的问题。

一种古建筑沉降的组合预测方法，所述方法包括：

对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列；

对所述初始沉降序列采用verhulst灰色模型进行预测，得到相应的初步预测沉降序列；

对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列；

采用基于蚁群聚类算法的rbf神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列；

将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列。

优选地，步骤对应变片采集的原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列包括：

对所述应变片采集的k组原始沉降序列

xi＝{xi1,xi2,...,xip,...,xim},i＝1,2,...,k；p＝1,2,...,m进行按照以下公式进行五点三次平滑滤波，得到所述初始沉降序列

xi′＝{xi1′,xi2′,...,xip′,...,xim′},i＝1,2,...,k；p＝1,2,...,m；

其中m为每个所述原始沉降序列中数据的数量。

优选地，步骤对所述初始沉降序列采用verhulst灰色模型进行预测，得到相应的初步预测沉降序列包括：

对于所述初始沉降序列x′i进行累加运算，获得累加序列

xi⁽¹⁾＝(xi1⁽¹⁾,xi2⁽¹⁾,...,xip⁽¹⁾,...,xim⁽¹⁾),i＝1,2,...,k；p＝1,2,...,m，其中

计算所述累加序列xi⁽¹⁾的紧邻均值生成数，获得紧邻均值生成序列

zi⁽¹⁾＝(zi2⁽¹⁾,zi3⁽¹⁾,...,zip⁽¹⁾,...,zim⁽¹⁾),i＝1,2,...,k；p＝1,2,...,m，其中

zip⁽¹⁾＝0.5xip⁽¹⁾+0.5xi(p-1)⁽¹⁾；

建立所述累加序列xi⁽¹⁾和紧邻均值生成序列zi⁽¹⁾之间的灰色verhulst微分方程：

xip⁽¹⁾+azip⁽¹⁾＝b(zip⁽¹⁾)²,i＝1,2,...,k；p＝1,2,...,m

式中，a为发展系数，b为灰色系数，求解所述微分方程得到所述微分方程的时间响应序列：

其中，所述发展系数a和灰色系数b通过最小二乘法确定，即

式中，为灰色参数的估计向量，b为自变量矩阵，y为估计预测值向量，其表达式分别为：

将所述时间响应序列进行累减运算，获得所述初始沉降序列xi′的初步预测沉降序列其中

优选地，步骤对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列包括：

设为中的最大元素，为中的最小元素，则：

其中，为所述归一化后的初步预测沉降序列中的元素；

步骤将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列包括：

设为所述沉降预测序列中的最大元素，为中的最小元素，则：

其中，为所述反归一化后的沉降预测序列中的元素，r为聚类半径。

优选地，在计算所述初步预测沉降序列时，每预测一个初步预测沉降值后，在所述初始沉降序列x′i中添加一个新的初始沉降值，并将所述初始沉降序列x′i中的首个元素去除，保持所述初始沉降序列x′i的序列长度不变，再次进行预测。

一种古建筑沉降的组合预测系统，所述系统包括：

预处理模块，用于对应变片采集的k组原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列；

灰色模型初步预测模块，用于对所述初始沉降序列采用verhulst灰色模型进行预测，得到相应的初步预测沉降序列；

归一化模块，用于对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列；

沉降预测模块，用于采用基于蚁群聚类算法的rbf神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列；

反归一化模块，用于将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列。

优选地，所述灰色模型初步预测模块包括：

累加子模块，用于对于所述初始沉降序列进行累加运算，获得累加序列；

紧邻均值计算子模块，计算所述累加序列的紧邻均值生成数，获得紧邻均值生成序列；

灰色微分方程建立子模块，用于建立所述累加序列和紧邻均值生成序列之间的灰色verhulst微分方程，求解所述微分方程得到所述微分方程的时间响应序列；

序列估计子模块，用于对所述时间响应序列进行累减运算，获得所述初始沉降序列的初步预测沉降序列。

本发明的有益效果为：利用verhulst灰色模型通过采用等维递补滚动方法进行多次预测，可以利用较少的样本进行趋势预测，对沉降数据的趋势进行总体把握。然后，然后将初步预测结果输入rbf神经网络，充分发挥rbf局部寻优的优势。该模型既可以有效避免bp等神经网络的全局优化过拟合现象，提高预测的精度的同时，又可以规避verhuslt灰色模型多步预测的低精度问题，真正实现古建筑沉降数据的高精度多步预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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为本发明实施例提供的一种古建筑沉降的组合预测方法的步骤流程图；

图2为本发明实施例提供的一种古建筑沉降的组合预测系统的功能模块图。

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。

在详细说明本发明的技术方案前，首先对一些定义进行解释：

定义1：设序列x＝(x(1),x(2),...,x(k),x(k+1),...,x(n))，其中x(k)和x(k+1)为x的一对紧邻值。

定义2：x⁽⁰⁾为原始序列，对x⁽⁰⁾中的每个元素进行运算，若则称为x⁽⁰⁾的一次累加生成算子，记为1-ago；

若x⁽⁰⁾(k)＝x⁽⁰⁾(k)-x⁽⁰⁾(k-1),k＝1,2,...,n，则称为x⁽⁰⁾的一次累减生成算子，记为1-iago。

定义3：设序列x＝(x(1),x(2),...,x(n))，x^*(k)＝0.5x(k)+0.5x(k-1)，则称x^*(k)为x的紧邻均值生成数，由紧邻均值生成数构成的序列称为紧邻均值生成序列。

参照图1，本发明实施例提供了一种古建筑位移的组合预测方法，该方法包括：

步骤100，对应变片采集的k组原始沉降序列

xi＝{xi1,xi2,...,xip,...,xim},i＝1,2,...,k；p＝1,2,...,m进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列

x′i＝{x′i1,x′i2,...,x′ip,...,x′im},i＝1,2,...,k；p＝1,2,...,m。

具体地，xi′中的各个元素通过以下公式计算得到：

步骤120，对所述初始沉降序列x′i采用verhulst灰色模型进行预测，得到相应的初步预测沉降序列在计算所述初步预测沉降序列时，采用等维递补滚动预测方法，即每预测一个初步预测沉降值后，在所述初始沉降序列x′i中添加一个新的初始沉降值，并将所述初始沉降序列x′i中的首个元素去除，保持所述初始沉降序列x′i的序列长度不变，再次进行预测。

具体地，步骤120包括：

子步骤121，对于所述初始沉降序列x′i按照定义2进行累加运算，获得累加序列xi⁽¹⁾＝(xi1⁽¹⁾,xi2⁽¹⁾,...,xip⁽¹⁾,...,xim⁽¹⁾),i＝1,2,...,k；p＝1,2,...,m；

子步骤122，对于所述累加序列xi⁽¹⁾按照定义3运算，获得紧邻均值生成序列zi⁽¹⁾＝(zi2⁽¹⁾,zi3⁽¹⁾,...,zip⁽¹⁾,...,zim⁽¹⁾),i＝1,2,...,k；p＝1,2,...,m；

子步骤123，建立所述累加序列xi⁽¹⁾和紧邻均值生成序列zi⁽¹⁾之间的灰色verhulst微分方程：

xip⁽¹⁾+azip⁽¹⁾＝b(zip⁽¹⁾)²,i＝1,2,...,k；p＝1,2,...,m

式中，a为发展系数，b为灰色系数，求解所述微分方程得到其时间响应序列：

其中，所述发展系数a和灰色系数b通过最小二乘法确定，即

式中，为灰色参数的估计向量，b为自变量矩阵，y为估计预测值向量，其表达式分别为：

子步骤124，将所述时间响应序列按照定义2进行累减运算，获得所述初始沉降序列x′i的初步预测沉降序列

步骤140，对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列

具体地，设为中的最大元素，为中的最小元素，则：

其中，为中的元素，通过上式即可将中的元素归一化到0.1～0.9之间。

步骤160，采用基于蚁群聚类算法的rbf神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列

具体地，步骤130包括：

子步骤161，将所述归一化后的初步预测沉降序列作为样本点集合，通过聚类算法将中的样本点聚为n个聚类，n个聚类的集合为c＝{cq|q＝1,2,...,n}，其中且任意两个聚类cq的交集为空。

子步骤162，初始化信息启发因子α、期望启发因子β、信息素挥发系数ρ和信息素强度q、聚类半径r，以及蚂蚁个数m，最大进化代数n，令聚类中心cq的初始值为聚类中心cq对应的径向基函数的样本中心点初始值。

子步骤163，计算所述样本点集中每个样本点在t时刻到每个聚类cq的欧氏距离giq(t)以及启发函数

子步骤164，计算t时刻样本点到聚类中心cq的路径上的信息素：

子步骤165，将每只蚂蚁爬过的所述样本点集中的样本点构成的聚类结果构成一个解，即所述径向基函数的解。其中，蚂蚁随机选择一个所述样本点集中的样本点该样本点被聚类到聚类中心cq的概率为：

其中，

子步骤166，采用轮盘赌选择法确定所属的聚类中心。

子步骤167，更新聚类中心cq，通过以下公式确定新的聚类中心：

其中，为更新后的聚类中心，j为原聚类中心cq中的样本点数量。

子步骤168，当所有蚂蚁完成一次周游后，各路径上的信息素更新为τiq(t)＝ρτiq(t)+δτiq(t)，δτiq(t)为信息素的增加量，其表达式为：

其中lmb为最优聚类结果中各模式样本到其聚类中心的距离之和，表示

子步骤169，计算n个聚类中每个聚类的样本点到各自更新后的聚类中心的欧式距离之和即若f达到预设值，则聚类成功，否则重新聚类。

子步骤170，设rbf网络的径向基向量为h(x)＝[h1,h2,...,hm]^t，选取高斯函数作为径向基函数，并将子步骤169中计算得到的聚类中心作为径向基函数的中心，则径向基函数表达式为σq为扩展常数，cq为rbf网络的第q个结点的中心矢量。

子步骤171，根据cq以及以下公式计算所述rbf神经网络的输出：

式中，为沉降预测序列中的元素，ωiq为径向基函数的连接权值。根据梯度下降算法，其连接权值ωiq、径向基函数的中心点以及扩展常数σq(t)的优化表达式为：

式中，γ为学习率，取值范围为0＜γ＜2，yj为预测目标值，η2和η3表示梯度下降算法中的学习率，表示误差函数。

步骤180，将所述沉降预测序列中的元素按照以下公式进行反归一化操作，获得反归一化后的沉降预测序列

其中，为中的元素，为中的最大元素，为中的最小元素。

基于同一发明构思，本发明实施例还提供了一种古建筑位移的组合预测系统，如图2所示，由于该系统解决技术问题的原理和一种古建筑位移的组合预测方法相似，因此该系统的实施可参照方法的实施，重复之处不再赘述。

预处理模块200，用于对应变片采集的k组原始沉降序列进行五点三次平滑滤波，将所述原始沉降序列中的噪声滤除，得到相应的初始沉降序列。

灰色模型初步预测模块210，用于对所述初始沉降序列采用verhulst灰色模型进行预测，得到相应的初步预测沉降序列。

归一化模块220，用于对所述初步预测沉降序列进行归一化处理，得到所述初步预测沉降序列归一化后的初步预测沉降序列。

沉降预测模块230，用于采用基于蚁群聚类算法的rbf神经网络对所述归一化后的初步预测沉降序列进行预测，获得沉降预测序列。

反归一化模块240，用于将所述沉降预测序列中的元素进行反归一化操作，获得反归一化后的沉降预测序列。

其中所述灰色模型初步预测模块210包括以下子模块：

累加子模块211，用于对于所述初始沉降序列进行累加运算，获得累加序列。

紧邻均值计算子模块212，计算所述累加序列的紧邻均值生成数，获得紧邻均值生成序列。

灰色微分方程建立子模块213，用于建立所述累加序列和紧邻均值生成序列之间的灰色verhulst微分方程，求解所述微分方程得到所述微分方程的时间响应序列。

序列估计子模块214，用于对所述时间响应序列进行累减运算，获得所述初始沉降序列的初步预测沉降序列。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。