CN103136446A - 基于优化输入层的bp神经网络预报滑坡的方法 - Google Patents

基于优化输入层的bp神经网络预报滑坡的方法 Download PDF

Info

Publication number
CN103136446A
CN103136446A CN2013100382872A CN201310038287A CN103136446A CN 103136446 A CN103136446 A CN 103136446A CN 2013100382872 A CN2013100382872 A CN 2013100382872A CN 201310038287 A CN201310038287 A CN 201310038287A CN 103136446 A CN103136446 A CN 103136446A
Authority
CN
China
Prior art keywords
input
neural network
value
training
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2013100382872A
Other languages
English (en)
Inventor
柯福阳
周伟
吴锷炳
李亚云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HUIST IMAGERY TECHNOLOGY ENGINEERING Co Ltd
Original Assignee
HUIST IMAGERY TECHNOLOGY ENGINEERING Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by HUIST IMAGERY TECHNOLOGY ENGINEERING Co Ltd filed Critical HUIST IMAGERY TECHNOLOGY ENGINEERING Co Ltd
Priority to CN2013100382872A priority Critical patent/CN103136446A/zh
Publication of CN103136446A publication Critical patent/CN103136446A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于优化输入层的BP神经网络预报滑坡的方法，包括以下步骤，步骤1）输入层滑坡有关参数的采集；步骤2）BP神经网络训练操作；步骤3）判断是否满足要求，已知期望值为t，根据输出节点的误差公式，计算误差，若满足要求，即完成样本的训练，否则，根据减少误差的原则，先调整，θl，在调整
Figure 2013100382872100004DEST_PATH_IMAGE006
，
Figure 2013100382872100004DEST_PATH_IMAGE008
，并用修正后的值进行训练直至满足要求；步骤4）当样本完成训练后，输入初始化的预测样本进行，即可得到预测值。本方法是在利用BP神经网络操作简单，学习能力强，适应性好。

Description

基于优化输入层的BP神经网络预报滑坡的方法
技术领域
本发明涉及自然灾害监测与预测领域，具体涉及的是基于优化输入层的BP神经网络预报滑坡的方法。
背景技术
目前，对于滑坡危险性预测的方法可分为：定性评价，定量评价，和不确定性分析三大类。定性评价的方法包括历史分析法和工程地质类比法。定量评价方法有刚体极限平衡法，应力应变分析法。其中，应力应变分析法又可分为：连续介质力学犯法和不连续介质力学方法。不确定分析方法有可靠度方法、模糊方法、灰色系统理论、聚类分析、遗传算法等等。
上述的前两类方法都需要人为给出一定的模型进行计算。由于模型抽象简化的特点，从而造成了计算结论的不可预知性，而且其正确性也无法得到检验。这使得这些方法在稳定评价中存在着一定的局限性。即使是现有的利用BP神经网络来预报滑坡的方法由于其在输入层方面的选择太过片面狭隘的缺陷，也使得它的灾害预报精度不高。
发明内容
本发明的目的在于克服现有技术存在的以上问题，提供基于优化输入层的BP神经网络预报滑坡的方法，只需给定合理的输入、输出数据就能确定他们之间的线性关系从而达到滑坡灾害预测的一种方法。
为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
基于优化输入层的BP神经网络预报滑坡的方法，包括以下步骤，
步骤1）输入层滑坡有关参数的采集；用                                               对原始数据进行预处理，使输入数据落在0至1之间；
    步骤2）BP神经网络训练操作；假设初始化输入值分别为想x1,x2,x3……xn，输入节点与隐层节点之间的权值为
Figure 2013100382872100002DEST_PATH_IMAGE004
，隐层节点与输出节点之间的权值为
Figure 2013100382872100002DEST_PATH_IMAGE006
，隐层中的阈值为
Figure 2013100382872100002DEST_PATH_IMAGE008
，输出层中的阈值为
Figure 2013100382872100002DEST_PATH_IMAGE010
，用
Figure 2013100382872100002DEST_PATH_IMAGE012
和计算节点的输入输出
和；                                                
    步骤3）判断是否满足要求，已知期望值为t，根据输出节点的误差公式，计算误差，若满足要求，即完成样本的训练，否则，根据减少误差的原则，先调整
Figure 2013100382872100002DEST_PATH_IMAGE018
，
Figure DEST_PATH_IMAGE010A
，在调整
Figure 2013100382872100002DEST_PATH_IMAGE020
，
Figure DEST_PATH_IMAGE008A
，并用修正后的值进行训练直至满足要求；
步骤4）当样本完成训练后，输入初始化的预测样本进行，即可得到预测值。
本发明的有益效果是:
1、输入层参数选取更加具体、全面、合理，因此本方法在预报方面具有更好的普遍性和泛化性，简单来说就是适用于更多的区域。
2、由于输入层的选取更加全面，使得BP神经网络的输入层与隐含层之间的连接权的个数增加，神经网络的结构更为复杂，通过训练得出的连接权值也更符合预报区域的实际情况。
附图说明
图1是本发明的具体操作流程图；
图2是BP神经网络的网络结构。
具体实施方式
下面将参考附图并结合实施例，来详细说明本发明。
参照图1、图2所示，基于优化输入层的BP神经网络预报滑坡的方法，包括以下步骤，
步骤1）输入层滑坡有关参数的采集；用
Figure DEST_PATH_IMAGE002A
对原始数据进行预处理，使输入数据落在0至1之间；
    步骤2）BP神经网络训练操作；假设初始化输入值分别为想x1,x2,x3……xn，输入节点与隐层节点之间的权值为
Figure DEST_PATH_IMAGE004A
，隐层节点与输出节点之间的权值为
Figure DEST_PATH_IMAGE006A
，隐层中的阈值为
Figure DEST_PATH_IMAGE008AA
，输出层中的阈值为
Figure 2013100382872100002DEST_PATH_IMAGE022
，用
Figure DEST_PATH_IMAGE012A
和
Figure DEST_PATH_IMAGE014A
计算节点的输入输出
和；                                                
    步骤3）判断是否满足要求，已知期望值为t，根据输出节点的误差公式，计算误差，若满足要求，即完成样本的训练，否则，根据减少误差的原则，先调整
Figure DEST_PATH_IMAGE018A
，
Figure DEST_PATH_IMAGE010AA
，在调整，
Figure DEST_PATH_IMAGE008AAA
，并用修正后的值进行训练直至满足要求；
步骤4）当样本完成训练后，输入初始化的预测样本进行，即可得到预测值。

Claims (1)

1.基于优化输入层的BP神经网络预报滑坡的方法，包括以下步骤，其特征在于：
步骤1）输入层滑坡有关参数的采集；用                                               
Figure 2013100382872100001DEST_PATH_IMAGE002
对原始数据进行预处理，使输入数据落在0至1之间；
    步骤2）BP神经网络训练操作；假设初始化输入值分别为想x1,x2,x3……xn，输入节点与隐层节点之间的权值为
Figure 2013100382872100001DEST_PATH_IMAGE004
，隐层节点与输出节点之间的权值为
Figure 2013100382872100001DEST_PATH_IMAGE006
，隐层中的阈值为，输出层中的阈值为
Figure 2013100382872100001DEST_PATH_IMAGE010
，用
Figure 2013100382872100001DEST_PATH_IMAGE012
和
Figure 2013100382872100001DEST_PATH_IMAGE014
计算节点的输入输出
和；                                                
    步骤3）判断是否满足要求，已知期望值为t，根据输出节点的误差公式
Figure 2013100382872100001DEST_PATH_IMAGE016
，计算误差，若满足要求，即完成样本的训练，否则，根据减少误差的原则，先调整
Figure 2013100382872100001DEST_PATH_IMAGE018
，
Figure 2013100382872100001DEST_PATH_IMAGE020
，在调整
Figure 2013100382872100001DEST_PATH_IMAGE022
，
Figure 2013100382872100001DEST_PATH_IMAGE024
，并用修正后的值进行训练直至满足要求；
步骤4）当样本完成训练后，输入初始化的预测样本进行，即可得到预测值。
CN2013100382872A 2013-01-31 2013-01-31 基于优化输入层的bp神经网络预报滑坡的方法 Pending CN103136446A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100382872A CN103136446A (zh) 2013-01-31 2013-01-31 基于优化输入层的bp神经网络预报滑坡的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100382872A CN103136446A (zh) 2013-01-31 2013-01-31 基于优化输入层的bp神经网络预报滑坡的方法

Publications (1)

Publication Number Publication Date
CN103136446A true CN103136446A (zh) 2013-06-05

Family

ID=48496265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100382872A Pending CN103136446A (zh) 2013-01-31 2013-01-31 基于优化输入层的bp神经网络预报滑坡的方法

Country Status (1)

Country Link
CN (1) CN103136446A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103302777A (zh) * 2013-06-26 2013-09-18 广东工业大学 一种基于神经网络的轮胎硫化机能耗异常检测方法
CN106128035A (zh) * 2016-06-30 2016-11-16 西安工程大学 基于神经网络和多参数信息融合的地质灾害预报方法
CN106815971A (zh) * 2016-12-21 2017-06-09 西安工程大学 一种基于rbf神经网络的滑坡灾害预报方法
CN108363886A (zh) * 2018-03-08 2018-08-03 杭州鲁尔物联科技有限公司 基于深度学习的变形预测方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘娇玲等: "基于BP人工神经网络的滑坡预测分析", 《西部交通科技》 *
唐秀波: "人工神经网络在边坡稳定性预测中的运用", 《公路与汽车》 *
李朋丽: "基于神经网络的滑坡稳定性分析与预测", 《万方学位论文》 *
温娟: "BP神经网络在山体滑坡变形预测中的应用", 《无线互联科技》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103302777A (zh) * 2013-06-26 2013-09-18 广东工业大学 一种基于神经网络的轮胎硫化机能耗异常检测方法
CN103302777B (zh) * 2013-06-26 2015-04-01 广东工业大学 一种基于神经网络的轮胎硫化机能耗异常检测方法
CN106128035A (zh) * 2016-06-30 2016-11-16 西安工程大学 基于神经网络和多参数信息融合的地质灾害预报方法
CN106128035B (zh) * 2016-06-30 2018-10-02 西安工程大学 基于神经网络和多参数信息融合的地质灾害预报方法
CN106815971A (zh) * 2016-12-21 2017-06-09 西安工程大学 一种基于rbf神经网络的滑坡灾害预报方法
CN106815971B (zh) * 2016-12-21 2019-11-26 西安工程大学 一种基于rbf神经网络的滑坡灾害预报方法
CN108363886A (zh) * 2018-03-08 2018-08-03 杭州鲁尔物联科技有限公司 基于深度学习的变形预测方法及系统

Similar Documents

Publication Publication Date Title
An et al. Reliable p-median facility location problem: two-stage robust models and algorithms
CN103093643B (zh) 一种确定公共停车场泊位数的方法
CN103793854B (zh) 多重组合优化的架空输电线路运行风险信息化评估方法
Osorio et al. A computationally efficient simulation-based optimization algorithm for large-scale urban transportation problems
US20230195979A1 (en) Intelligent decision-making method and system for maintaining urban underground sewer network
US8880962B2 (en) Maintenance planning and failure prediction from data observed within a time window
CN103226741B (zh) 城市供水管网爆管预测方法
CN108038040A (zh) 计算机集群性能指标检测方法、电子设备及存储介质
CN103530818B (zh) 一种基于brb系统的供水管网建模方法
CN103854518A (zh) 一种航路网络节点时空流量的计算方法
CN103136446A (zh) 基于优化输入层的bp神经网络预报滑坡的方法
WO2017071369A1 (zh) 一种预测用户离网的方法和设备
Jiang et al. AG/G (n)/C/C state‐dependent simulation model for metro station corridor width design
CN110445939A (zh) 容量资源的预测方法及装置
CN103885867A (zh) 一种模拟电路性能的在线评价方法
CN113554213A (zh) 一种天然气需求预测方法、系统、存储介质及设备
CN103077312B (zh) 一种城市轨道交通线路建设时序的自动判定方法
CN106056305A (zh) 一种基于状态聚类的发电系统可靠性快速评估方法
CN116070385B (zh) 一种境外矿产资源供应链风险自动识别方法及系统
CN104091047A (zh) 基于交通时空信息的交通流缺失数据估算系统及方法
CN103530190A (zh) 一种负载预测方法及装置
Jiang et al. Industrial Carbon Emission Distribution and Regional Joint Emission Reduction: A Case Study of Cities in the Pearl River Basin, China
CN114312930B (zh) 基于日志数据的列车运行异常诊断方法和装置
CN110008571A (zh) 一种城市轨道交通工程投资计算方法及系统
Łęczycki et al. Extended sensor reliability evaluation method in multi-sensor control systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130605