CN111105027A - 一种基于ga算法和bp神经网络的滑坡变形预测方法 - Google Patents

一种基于ga算法和bp神经网络的滑坡变形预测方法 Download PDF

Info

Publication number
CN111105027A
CN111105027A CN201811252740.9A CN201811252740A CN111105027A CN 111105027 A CN111105027 A CN 111105027A CN 201811252740 A CN201811252740 A CN 201811252740A CN 111105027 A CN111105027 A CN 111105027A
Authority
CN
China
Prior art keywords
neural network
algorithm
landslide deformation
monitoring data
training
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
CN201811252740.9A
Other languages
English (en)
Inventor
刘天霸
黄鑫
梁涛
刘尊言
孙贵鑫
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.)
Aerospace Science and Industry Inertia Technology Co Ltd
Original Assignee
Aerospace Science and Industry Inertia Technology 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 Aerospace Science and Industry Inertia Technology Co Ltd filed Critical Aerospace Science and Industry Inertia Technology Co Ltd
Priority to CN201811252740.9A priority Critical patent/CN111105027A/zh
Publication of CN111105027A publication Critical patent/CN111105027A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种基于GA算法和BP神经网络的滑坡变形预测方法，包括：获取滑坡变形监测数据，并进行预处理；将预处理后的滑坡变形监测数据分为训练样本数据和预测样本数据；采用GA算法优化BP神经网络的网络结构；将所述训练样本数据输入至所述BP神经网络，并采用GA算法对所述BP神经网络进行训练，获得最优网络结构；将所述预测样本数据输入至训练后的BP神经网络进行滑坡变形预测，获得预测结果；该方法能够有效提高滑坡变形预测结果的准确性。

Description

一种基于GA算法和BP神经网络的滑坡变形预测方法
技术领域
本发明涉及滑坡预测技术领域，尤其涉及一种基于GA算法和BP神经网络的滑坡变形预测方法。
背景技术
滑坡的变形预测方法已从简单地绘制滑坡滑动的变形曲线定性分析滑坡的发展趋势，发展到采用一定的数学模型来预测滑坡的定量变形发展过程。近年来，非线性方法被大量地运用到滑坡的变形预测上，在众多的非线性算法中，BP神经网络以其操作简单、学习能力强的能力而备受人们青睐。然而，BP神经网络在实际应用中多是基于实践经验确定结构参数，造成BP神经网络预测结果精度不高。
发明内容
本发明的目的在于针对上述现有技术中的BP神经网络对于滑坡变形的预测结果精度不高的问题，提出一种基于GA算法和BP神经网络的滑坡变形预测方法，能够有效提高BP神经网络预测结果的精度。
一种基于GA算法和BP神经网络的滑坡变形预测方法，包括：
获取滑坡变形监测数据，并进行预处理；
将预处理后的滑坡变形监测数据分为训练样本数据和预测样本数据；
采用GA算法优化BP神经网络的网络结构；
将所述训练样本数据输入至所述BP神经网络，并采用GA算法对所述BP神经网络进行训练，获得最优网络结构；
将所述预测样本数据输入至训练后的BP神经网络进行滑坡变形预测，获得预测结果。
进一步地，所述滑坡变形监测数据包括一段时期内每一天的坡体的变形值。
进一步地，对所述滑坡变形监测数据进行预处理，包括：剔除所述滑坡变形监测数据中存在的粗差。
进一步地，采用GA算法优化BP神经网络的网络结构，包括：
设定GA算法的相关参数值；
按种群大小随机生成BP神经网络的输入层神经元个数、隐含层节点数以及隐含层数并进行编码，形成GA算法中的染色体种群；
将每个染色体作为一组网络结构组成进行BP神经网络训练计算，训练结果均方误差作为GA算法的适应度函数；
计算种群中每个染色体的适应度值，根据精英数目和选择算法将适应度值小于预设阈值的染色体留存，进行交叉和变异计算，得到新一代的染色体种群；
对新一代染色体种群重复计算适应度值并进行选择、交叉、变异计算至符合收敛条件，得到最优染色体；
对所述最优染色体解码得到最优的BP神经网络输入层神经元个数、隐含层节点数以及隐含层数。
进一步地，所述收敛条件为达到适应度函数误差限值或者最大遗传代数或者停滞代数。
进一步地，所述GA算法的相关参数值包括种群大小、最大遗传代数、停止代数、精英数目、交叉概率和适应度函数误差。
进一步地，采用GA算法对所述BP神经网络进行训练，获得最优网络结构，包括：
将BP神经网络训练得到的误差作为适应度值；
对所述训练样本数据中的个体进行选择、交叉、变异操作，并计算适应度；
当适应度满足结束条件时，获得最优网格结构。
进一步地，所述滑坡变形监测数据中，80％-90％的滑坡变形监测数据作为训练样本数据，10％-20％的滑坡变形监测数据作为预测样本数据。
本发明提供的基于GA算法和BP神经网络的滑坡变形预测方法，采用GA算法对BP神经网络进行优化和训练，获得最优网格结构之后进行滑坡变形的预测，能够有效提高滑坡变形预测结果的准确性。
附图说明
图1为本发明提供的基于GA算法和BP神经网络的滑坡变形预测方法一种实施例的步骤图。
图2为本发明提供的基于GA算法和BP神经网络的滑坡变形预测方法一种实施例的流程图。
图3为发明提供的基于GA算法和BP神经网络的滑坡变形预测方法一种应用场景下GA-BP神经网络的训练结果示意图。
图4为发明提供的基于GA算法和BP神经网络的滑坡变形预测方法一种应用场景下GA-BP神经网络的预测结果示意图。
图5为发明提供的基于GA算法和BP神经网络的滑坡变形预测方法一种应用场景下5-11-2结构的BP神经网络的训练结果示意图。
图6为发明提供的基于GA算法和BP神经网络的滑坡变形预测方法一种应用场景下5-11-2结构的BP神经网络的预测结果示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一
参考图1，本实施例提供一种基于GA算法和BP神经网络的滑坡变形预测方法，包括：
步骤S101，获取滑坡变形监测数据，并进行预处理；
步骤S102，将预处理后的滑坡变形监测数据分为训练样本数据和预测样本数据；
步骤S103，采用GA算法优化BP神经网络的网络结构；
步骤S104，将所述训练样本数据输入至所述BP神经网络，并采用GA算法对所述BP神经网络进行训练，获得最优网络结构；
步骤S105，将所述预测样本数据输入至训练后的BP神经网络进行滑坡变形预测，获得预测结果。
具体地，执行步骤S101,通过相关的传感器采集滑坡变形监测数据，该滑坡变形监测数据包括一段时期内每一天的坡体的变形值。
进一步地，执行步骤S102，对所述滑坡变形监测数据进行预处理，具体包括：剔除所述滑坡变形监测数据中存在的粗差。
进一步地，执行步骤S103，采用GA算法优化BP神经网络的网络结构，具体包括：
设定GA算法的相关参数值；
按种群大小随机生成BP神经网络的输入层神经元个数、隐含层节点数以及隐含层数并进行编码，形成GA算法中的染色体种群；
将每个染色体作为一组网络结构组成进行BP神经网络训练计算，训练结果均方误差作为GA算法的适应度函数；
计算种群中每个染色体的适应度值，根据精英数目和选择算法将适应度值小于预设阈值的染色体留存，进行交叉和变异计算，得到新一代的染色体种群；
对新一代染色体种群重复计算适应度值并进行选择、交叉、变异计算至符合收敛条件，得到最优染色体；
对所述最优染色体解码得到最优的BP神经网络输入层神经元个数、隐含层节点数以及隐含层数。
其中，所述收敛条件为达到适应度函数误差限值或者最大遗传代数或者停滞代数。
所述GA算法的相关参数值包括种群大小、最大遗传代数、停止代数、精英数目、交叉概率和适应度函数误差。
进一步地，参考图2，步骤104中，采用GA算法对所述BP神经网络进行训练，获得最优网络结构，包括：
将BP神经网络训练得到的误差作为适应度值；
对所述训练样本数据中的个体进行选择、交叉、变异操作，并计算适应度；
当适应度满足结束条件时，获得最优网格结构。
获得最优网格之后，执行步骤S105，将预测样本数据输入至训练后的BP神经网络，进行误差计算和网络拓扑结构更新，满足结束条件时输出预测结果。
作为一种优选的实施方式，80％-90％的滑坡变形监测数据作为训练样本数据，10％-20％的滑坡变形监测数据作为预测样本数据。
本实施例提供的基于GA算法和BP神经网络的滑坡变形预测方法，采用GA算法对BP神经网络进行优化和训练，获得最优网格结构之后进行滑坡变形的预测，能够有效提高滑坡变形预测结果的准确性。
实施例二
本实施例提供具体应用场景对本发明提供的基于GA算法和BP神经网络的滑坡变形预测方法做进一步说明。
首先采集一段时期内的滑坡变形监测数据，如表1所示：
Figure BDA0001842070920000061
Figure BDA0001842070920000071
表1
监测数据的时间范围为2010年4月8日至2010年8月11日共计126条监测数据，其中前110条监测数据用于训练BP神经网络，后16条数据作为预测样本数据。
设定GA算法的相关参数的数值：种群规模50，最大遗传代数50，停止代数50，精英数目5，交叉概率0.7，适应度函数误差1.3。
采用GA算法优化BP神经网络的网络结构组成，包括输入层神经元个数、隐含层节点数以及隐含层层数。
将训练样本数据输入至优化后的BP神经网络进行训练，获得最优网格结构，如图3所示。
基于最优网格结构，将预测样本数据输入至BP神经网络，进行滑坡变形预测计算，预测结果如表2和图4所示。
Figure BDA0001842070920000081
表2
作为对比，依据前人经验，设定BP神经网络结构组成5-11-2(输入层神经元数目-隐含层节点数-隐含层层数)，训练次数为1000次，训练目标为0.01，学习率为0.1。其训练结果如图5所示，预测结果如图6和表3所示。
Figure BDA0001842070920000082
Figure BDA0001842070920000091
表3
对比图3和图5，GA-BP神经网络的变形训练结果和5-11-2网络结构的BP神经网络训练结果差异不大，但两种不同网络结构用于变形预测时，预测结果差异明显。对比图4和图6，并结合表2和表3，可以看出，经GA算法优化BP神经网络的拓扑结构后，预测结果基本与实测结果吻合，GA-BP神经网络模型的最大误差和平均误差分别为0.37mm和0.03mm，而基于经验结果的5-11-2网络结构的BP神经网络模型的误差随时间逐渐增大，最大误差和平均误差分别达1.38mm和0.48mm。
滑坡变形的GA-BP神经网络预测方法，可以自动的进行多种网络拓扑结构试算，而最佳的试算结果将被用于下一步的神经网络预测计算中，这样做的好处是，研究人员不用再关心网络的具体构成，只用关心计算结果的合理性。较之采用经验网络组成的BP神经网络预测方法，能够有效提高滑坡变形预测结果的准确性。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，包括：
获取滑坡变形监测数据，并进行预处理；
将预处理后的滑坡变形监测数据分为训练样本数据和预测样本数据；
采用GA算法优化BP神经网络的网络结构；
将所述训练样本数据输入至所述BP神经网络，并采用GA算法对所述BP神经网络进行训练，获得最优网络结构；
将所述预测样本数据输入至训练后的BP神经网络进行滑坡变形预测，获得预测结果。
2.根据权利要求1所述的基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，
所述滑坡变形监测数据包括一段时期内每一天的坡体的变形值。
3.根据权利要求1所述的基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，对所述滑坡变形监测数据进行预处理，包括：剔除所述滑坡变形监测数据中存在的粗差。
4.根据权利要求1所述的基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，采用GA算法优化BP神经网络的网络结构，包括：
设定GA算法的相关参数值；
按种群大小随机生成BP神经网络的输入层神经元个数、隐含层节点数以及隐含层数并进行编码，形成GA算法中的染色体种群；
将每个染色体作为一组网络结构组成进行BP神经网络训练计算，训练结果均方误差作为GA算法的适应度函数；
计算种群中每个染色体的适应度值，根据精英数目和选择算法将适应度值小于预设阈值的染色体留存，进行交叉和变异计算，得到新一代的染色体种群；
对新一代染色体种群重复计算适应度值并进行选择、交叉、变异计算至符合收敛条件，得到最优染色体；
对所述最优染色体解码得到最优的BP神经网络输入层神经元个数、隐含层节点数以及隐含层数。
5.根据权利要求4所述的基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，所述收敛条件为达到适应度函数误差限值或者最大遗传代数或者停滞代数。
6.根据权利要求4所述的基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，所述GA算法的相关参数值包括种群大小、最大遗传代数、停止代数、精英数目、交叉概率和适应度函数误差。
7.根据权利要求1所述的基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，采用GA算法对所述BP神经网络进行训练，获得最优网络结构，包括：
将BP神经网络训练得到的误差作为适应度值；
对所述训练样本数据中的个体进行选择、交叉、变异操作，并计算适应度；
当适应度满足结束条件时，获得最优网格结构。
8.根据权利要求1所述的基于GA算法和BP神经网络的滑坡变形预测方法，其特征在于，所述滑坡变形监测数据中，80％-90％的滑坡变形监测数据作为训练样本数据，10％-20％的滑坡变形监测数据作为预测样本数据。
CN201811252740.9A 2018-10-25 2018-10-25 一种基于ga算法和bp神经网络的滑坡变形预测方法 Pending CN111105027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811252740.9A CN111105027A (zh) 2018-10-25 2018-10-25 一种基于ga算法和bp神经网络的滑坡变形预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811252740.9A CN111105027A (zh) 2018-10-25 2018-10-25 一种基于ga算法和bp神经网络的滑坡变形预测方法

Publications (1)

Publication Number Publication Date
CN111105027A true CN111105027A (zh) 2020-05-05

Family

ID=70418524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811252740.9A Pending CN111105027A (zh) 2018-10-25 2018-10-25 一种基于ga算法和bp神经网络的滑坡变形预测方法

Country Status (1)

Country Link
CN (1) CN111105027A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040044633A1 (en) * 2002-08-29 2004-03-04 Chen Thomas W. System and method for solving an optimization problem using a neural-network-based genetic algorithm technique
CN102222267A (zh) * 2010-04-14 2011-10-19 同济大学 一种遗传算法改进神经网络遥感分类处理方法
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
CN106951983A (zh) * 2017-02-27 2017-07-14 浙江工业大学 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040044633A1 (en) * 2002-08-29 2004-03-04 Chen Thomas W. System and method for solving an optimization problem using a neural-network-based genetic algorithm technique
CN102222267A (zh) * 2010-04-14 2011-10-19 同济大学 一种遗传算法改进神经网络遥感分类处理方法
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
CN106951983A (zh) * 2017-02-27 2017-07-14 浙江工业大学 基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
关顺 等: "改进遗传神经网络对露天矿边坡位移预测" *

Similar Documents

Publication Publication Date Title
Labach et al. Survey of dropout methods for deep neural networks
CN112364975B (zh) 基于图神经网络的终端运行状态预测方法及系统
CN112581263A (zh) 一种基于灰狼算法优化广义回归神经网络的信用评估方法
CN109214503B (zh) 基于kpca-la-rbm的输变电工程造价预测方法
CN110717617A (zh) 一种基于深度图网络自编码器的无监督关系预测方法
CN105069220A (zh) 基于bp神经网络免疫遗传算法的微生物发酵优化方法
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN115906954A (zh) 一种基于图神经网络的多变量时间序列预测方法及装置
CN102609612A (zh) 一种用于多参数仪表检定的数据融合方法
CN112085157A (zh) 基于神经网络和树模型的预测模型建立方法及其装置
CN108154003B (zh) 基于Spark基因表达式优化的爆破振动预测方法
CN116187507A (zh) 一种基于人工智能的中药生产调优系统
CN114169505A (zh) 一种产量预测模型的训练方法、系统及相关设备
CN115659807A (zh) 一种基于贝叶斯优化模型融合算法对人才表现预测的方法
CN110414748B (zh) 光伏功率预测方法
CN115640874A (zh) 基于改进型灰色模型理论的变压器状态预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
AU2021106200A4 (en) Wind power probability prediction method based on quantile regression
CN107273692B (zh) 一种传感器感知能力受限的随机集理论的分布式融合方法
CN111105027A (zh) 一种基于ga算法和bp神经网络的滑坡变形预测方法
CN111524023A (zh) 温室调节方法及系统
CN116050579A (zh) 基于深度特征融合网络的建筑能耗预测方法及系统
CN115345343A (zh) 一种供水管网浊度的预测方法及预测装置
CN109657907A (zh) 地理国情监测数据的质量控制方法、装置和终端设备
CN109685242B (zh) 基于Adaboost算法的光伏超短期组合预测方法

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