一种非等间距灰色BP神经网络深基坑变形预测方法

一种非等间距灰色bp神经网络深基坑变形预测方法
技术领域
1.本发明涉及一种非等间距灰色bp神经网络深基坑变形预测方法，属于大地测量技术领域。


背景技术：

2.对深基坑变形体而言，建立合适的预测模型是比较困难的，这是由其外力作用、组成物质的物理力学性质及结构的确定性及复杂性所确定的。随着时间的推移、工程实践经验的累积及工程技术人员的研究，越来越多的经验方法比如地层损失法、peack法等传统的理论计算方法，能够较好地预测最终结果。深基坑变形系统本质上可以看做一个灰色系统，所以，对深基坑变形进行预测分析的一个有效途径就是运用灰色系统理论。
3.灰色系统理论将随机量看作是一定范围内变化的灰色量,将随机过程看作是在一定幅区一定时区变化的灰色过程。它把无规则的原始数据序列进行累加生成有规律的数据序列,然后进行建模预测。在实际工作中,通过变形监测来获得变形的时间序列。但在实际工作中，存在以下缺陷：(1)基坑变形本身具有非线性及模糊性，很难利用常规的数学方法确定其输入和输出的关系；(2)实际工程测得的数据多为非等间距序列，预测过程中等间距预测序列很难精确获取预测值。


技术实现要素：

4.针对当前深基坑变形体结构不确定，建立合适预测模型较为困难的问题，本发明提供一种非等间距灰色bp神经网络深基坑变形预测方法。
5.为达到上述目的，本发明提供一种非等间距灰色bp神经网络深基坑变形预测方法，包括：获取深基坑测量值；
6.将深基坑测量值输入训练获得的bp神经网络模型，获得修正的残差；
7.基于修正的残差，计算获得深基坑预测值。
8.优先地，训练获得bp神经网络模型，包括：
9.获取预测序列和残差序列；
10.将预测序列和残差序列输入构建的bp神经网络模型，获得修正的残差；
11.基于修正的残差，计算获得深基坑预测值；
12.将深基坑预测值和深基坑实测值比较，调整bp神经网络模型的参数；
13.重复上述步骤直到满足迭代次数，输出获得最终的bp神经网络模型。
14.优先地，获取预测序列和残差序列，包括：
15.利用采集到的深基坑实测值构造非等间距序列x
(0)
(ki)，
16.x
(0)
(ki)＝{x
(0)
(k1),x
(0)
(k2),...,x
(0)
(kn)}；
17.计算非等间距序列的间隔δki：
18.δki＝k
i-k
i-1
,i＝2,3,...,n；
19.利用非间距灰色模型获取预测序列；
20.基于预测序列，计算获得残差序列。
21.优先地，利用非间距灰色模型获取预测序列，包括：
22.计算一次累加生成序列x
(1)
(ki)：
[0023][0024]
x
(1)
(ki)＝{x
(1)
(k1),x
(1)
(k2),...,x
(1)
(kn)}；
[0025]
构造白化微分方程：
[0026][0027]
当t＝k1时，x
(1)
(k1)＝x
(0)
(k1)，获得响应函数：
[0028][0029]
式中，α和μ为待辨识参数；
[0030]
用最小二乘法求x
(1)
(ki)的白化微分方程中的待辨识参数α和μ；
[0031][0032]
其中yn＝[x
(0)
(k2),x
(0)
(k3),...,x
(0)
(kn)]
t
，
[0033][0034][0035]
在b中z
(1)
(ki)为x
(1)
(t)在区间[k
i-1
,ki]的背景值；
[0036]
将计算出的α和μ代入响应函数中并还原，获得预测值
[0037][0038]
优先地，基于预测序列，计算获得残差序列，包括：
[0039]
计算残差序列e(ki)：
[0040][0041]
优先地，设定bp神经网络模型的参数；
[0042]
将预测序列作为输入，残差序列作为期望输出，对bp神经网络模型进行训练；
[0043]
基于残差序列，计算获得深基坑预测值；
[0044]
将深基坑预测值和深基坑实测值比较，调整bp神经网络模型的参数。
[0045]
优先地，参数包括网络输入层层数、隐含层层数、隐含层节点数、输出层层数、初始权值、学习率和冲量系数。
[0046]
一种非等间距灰色bp神经网络深基坑变形预测装置，包括处理器及存储介质；
[0047]
所述存储介质用于存储指令；
[0048]
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
[0049]
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0050]
本发明所达到的有益效果：
[0051]
(1)本发明主要解决深基坑预测模型困难问题，结合非间距灰色模型和bp神经网络，建立一种新的非间距灰色神经网络深基坑预测方法，解决深基坑预测问题；
[0052]
(2)实际工作中采集到的深基坑实测值大多数是非等间距的序列，因此建立非等间距序列灰色模型有广泛的现实意义。故采用非间距灰色模型获取预测序列，通过预测序列计算出残差序列，在bp神经网络模型中将残差序列作为期望输出，预测序列作为输入样本，进行一个残差序列修正减小误差，可以达到提高预测精度的效果。
附图说明
[0053]
图1是本发明的原理框图。
具体实施方式
[0054]
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0055]
本发明所述的非等间距灰色bp神经网络深基坑变形预测方法，包括以下步骤：
[0056]
(1)利用工程监测仪器采集到的深基坑实测值构造非等间距序列x
(0)
(ki)，并计算非等间距序列的间隔δki；
[0057]
x
(0)
(ki)＝{x
(0)
(k1),x
(0)
(k2),...,x
(0)
(kn)}，
[0058]
δki＝k
i-k
i-1
,i＝2,3,...,n，
[0059]
(2)计算出预测值和残差序列e(ki)；
[0060]
(3)将得出的预测值作为输入数据，将残差序列作为期望输出，构建bp神经网络模型并对其进行训练；
[0061]
(4)训练好的bp神经网络模型预测获得修正后的残差序列
[0062]
基于残差序列，计算最终预测结果y
(0)
(ki)：
[0063][0064]
进一步地，所述步骤(2)包括以下步骤：
[0065]
(21)计算一次累加生成序列x
(1)
(ki)：
[0066][0067]
x
(1)
(ki)＝{x
(1)
(k1),x
(1)
(k2),...,x
(1)
(kn)}
[0068]
(22)构造白化微分方程：
[0069][0070]
当t＝k1时，x
(1)
(k1)＝x
(0)
(k1)，并求得响应函数如下：
[0071][0072]
其中α和μ为待辨识参数。
[0073]
(23)用最小二乘法求生成序列x
(1)
(ki)的白化微分方程中的α和μ；
[0074][0075]
其中
[0076][0077][0078]
在b中z
(1)
(ki)为x
(1)
(t)在区间[k
i-1
,ki]的背景值。
[0079]
(24)计算出的α，μ代入响应函数中并还原，获得预测值
[0080][0081]
(25)计算残差序列e(ki)：
[0082][0083]
进一步，所述步骤(3)实现过程如下：
[0084]
(31)设定网络输入层层数、隐含层层数、隐含层节点数、输出层层数、初始权值、学习率和冲量系数；
[0085]
(32)将得出的预测值作为输入数据，输出数据选取深基坑实测数据，残差序列作为期望输出，进行神经网络训练，调整合适的学习率、冲量系数，继续进行神经网络训练。
[0086]
将训练好的的bp神经网络对残差数据进行预测，获取修正后的残差序列计算出最终预测结果y
(0)
(ki)：
[0087][0088]
bp神经网络模型的内部网路结构和非间距灰色模型的内部网路结构在现有技术中可采用的有很多，可根据实际应用过程进行选择。
[0089]
一种非等间距灰色bp神经网络深基坑变形预测装置，包括处理器及存储介质；
[0090]
所述存储介质用于存储指令；
[0091]
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
[0092]
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0093]
本技术是参照根据本技术实施例的方法、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。
[0094]
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。
[0095]
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。
[0096]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。