CN106845641A - 基于经验模态分解和bp神经网络的地铁沉降预测方法 - Google Patents

基于经验模态分解和bp神经网络的地铁沉降预测方法 Download PDF

Info

Publication number
CN106845641A
CN106845641A CN201710124264.1A CN201710124264A CN106845641A CN 106845641 A CN106845641 A CN 106845641A CN 201710124264 A CN201710124264 A CN 201710124264A CN 106845641 A CN106845641 A CN 106845641A
Authority
CN
China
Prior art keywords
neural network
decomposition
prediction
empirical mode
frequency range
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
CN201710124264.1A
Other languages
English (en)
Inventor
胡伍生
王昭斌
张良
杨雪晴
陈阳
韩理想
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN201710124264.1A priority Critical patent/CN106845641A/zh
Publication of CN106845641A publication Critical patent/CN106845641A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明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；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。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；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。

Description

基于经验模态分解和BP神经网络的地铁沉降预测方法
技术领域
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(Empirical Mode Decomposition)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(Back Propagation)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。
发明内容
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Intrinsic Mode Function，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1 EMD-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2 EMD-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 ±0.1245mm
SNR 70.5105 75.3100
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。

Claims (5)

1.基于经验模态分解和BP神经网络的地铁沉降预测方法，其特征在于：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。
2.根据权利要求1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，其特征在于：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。
3.根据权利要求1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，其特征在于：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。
4.根据权利要求1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，其特征在于：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。
5.根据权利要求1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，其特征在于：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。
CN201710124264.1A 2017-03-03 2017-03-03 基于经验模态分解和bp神经网络的地铁沉降预测方法 Pending CN106845641A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710124264.1A CN106845641A (zh) 2017-03-03 2017-03-03 基于经验模态分解和bp神经网络的地铁沉降预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710124264.1A CN106845641A (zh) 2017-03-03 2017-03-03 基于经验模态分解和bp神经网络的地铁沉降预测方法

Publications (1)

Publication Number Publication Date
CN106845641A true CN106845641A (zh) 2017-06-13

Family

ID=59138054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710124264.1A Pending CN106845641A (zh) 2017-03-03 2017-03-03 基于经验模态分解和bp神经网络的地铁沉降预测方法

Country Status (1)

Country Link
CN (1) CN106845641A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463633A (zh) * 2017-07-17 2017-12-12 中国航天系统科学与工程研究院 一种基于eemd‑神经网络的实时数据异常值检测方法
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法
CN108647807A (zh) * 2018-04-10 2018-10-12 武汉理工大学 河流流量的预测方法
CN110555226A (zh) * 2019-04-03 2019-12-10 太原理工大学 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法
CN111444947A (zh) * 2020-03-20 2020-07-24 淮阴工学院 一种桥梁沉降智能检测系统
CN111461187A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种建筑物沉降智能检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘艺梁等: "基于经验模态分解和神经网络的滑坡变形预测研究", 《安全与环境工程》 *
汤俊等: "利用经验模态分解和LSSVM 预测隧道不均匀沉降", 《测绘科学》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463633A (zh) * 2017-07-17 2017-12-12 中国航天系统科学与工程研究院 一种基于eemd‑神经网络的实时数据异常值检测方法
CN107463633B (zh) * 2017-07-17 2019-09-06 中国航天系统科学与工程研究院 一种基于eemd-神经网络的实时数据异常值检测方法
CN108304674A (zh) * 2018-02-09 2018-07-20 陕西铁路工程职业技术学院 一种基于bp神经网络的铁路软土路基沉降预测方法
CN108647807A (zh) * 2018-04-10 2018-10-12 武汉理工大学 河流流量的预测方法
CN108647807B (zh) * 2018-04-10 2021-08-13 武汉理工大学 河流流量的预测方法
CN110555226A (zh) * 2019-04-03 2019-12-10 太原理工大学 基于emd和mlp的磷酸铁锂电池剩余寿命预测方法
CN111444947A (zh) * 2020-03-20 2020-07-24 淮阴工学院 一种桥梁沉降智能检测系统
CN111461187A (zh) * 2020-03-20 2020-07-28 淮阴工学院 一种建筑物沉降智能检测系统
CN111444947B (zh) * 2020-03-20 2022-05-17 淮阴工学院 一种桥梁沉降智能检测系统
CN111461187B (zh) * 2020-03-20 2022-05-17 淮阴工学院 一种建筑物沉降智能检测系统

Similar Documents

Publication Publication Date Title
CN106845641A (zh) 基于经验模态分解和bp神经网络的地铁沉降预测方法
CN110163433B (zh) 一种船舶流量预测方法
Xie et al. A decomposition-ensemble approach for tourism forecasting
CN110852515B (zh) 基于混合长短时记忆神经网络的水质指标预测方法
Cannas et al. Data preprocessing for river flow forecasting using neural networks: wavelet transforms and data partitioning
CN109492808B (zh) 一种室内停车场剩余车位预测方法
CN111193256A (zh) 基于变分模态分解和门控循环单元的电力负荷预测方法
CN108647807B (zh) 河流流量的预测方法
CN110119540A (zh) 一种用于生存风险分析的多输出梯度提升树建模方法
Yun et al. Forecasting carbon dioxide emission price using a novel mode decomposition machine learning hybrid model of CEEMDAN‐LSTM
CN111580570B (zh) 容器液位监控方法及其系统
CN116451553A (zh) 一种改进的变分模态分解与BiGRU融合的水质预测方法
CN108805206A (zh) 一种用于模拟电路故障分类的改进型lssvm建立方法
CN109376937B (zh) 基于集合经验模态分解的自适应调度期末水位预测方法
CN111141879A (zh) 一种深度学习的空气质量监测方法以及装置、设备
Garai et al. An MRA Based MLR Model for Forecasting Indian Annual Rainfall Using Large Scale Climate Indices
CN107169612A (zh) 基于神经网络的风电机有功功率预测及误差订正方法
Yu et al. A novel discussion on two long-term forecast mechanisms for hydro-meteorological signals using hybrid wavelet-NN model
CN103488882B (zh) 一种水工建筑物安全自动化监测系统降噪方法
Karmakar et al. Application of harmony search algorithm in optimizing autoregressive integrated moving average: A study on a data set of Coronavirus Disease 2019
CN110740063A (zh) 基于信号分解和周期特性的网络流量特征指标预测方法
CN113449912B (zh) 一种基于人工智能技术的空间负荷态势感知方法
CN116911419A (zh) 一种基于趋势相关性特征学习的长时序预测方法
CN116245223A (zh) 一种基于二次分解集成的机场流量短期预测方法
CN115859054A (zh) 基于mic和ceemdan的水电机组尾水管压力脉动数据滤波方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170613