一种非等间距灰色BP神经网络深基坑变形预测方法

技术特征：
1.一种非等间距灰色bp神经网络深基坑变形预测方法，其特征在于，获取深基坑测量值；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；基于修正的残差，计算获得深基坑预测值。2.根据权利要求1所述的一种非等间距灰色bp神经网络深基坑变形预测方法，其特征在于，训练获得bp神经网络模型，包括：获取预测序列和残差序列；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；基于修正的残差，计算获得深基坑预测值；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；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。3.根据权利要求2所述的一种非等间距灰色bp神经网络深基坑变形预测方法，其特征在于，获取预测序列和残差序列，包括：利用采集到的深基坑实测值构造非等间距序列x
(0)
(k
i
)，x
(0)
(k
i
)＝{x
(0)
(k1),x
(0)
(k2),...,x
(0)
(k
n
)}；计算非等间距序列的间隔δk
i
：δk
i
＝k
i-k
i-1
,i＝2,3,...,n；利用非间距灰色模型获取预测序列；基于预测序列，计算获得残差序列。4.根据权利要求3所述的一种非等间距灰色bp神经网络深基坑变形预测方法，其特征在于，利用非间距灰色模型获取预测序列，包括：计算一次累加生成序列x
(1)
(k
i
)：x
(1)
(k
i
)＝{x
(1)
(k1),x
(1)
(k2),...,x
(1)
(k
n
)}；构造白化微分方程：当t＝k1时，x
(1)
(k1)＝x
(0)
(k1)，获得响应函数：式中，α和μ为待辨识参数；用最小二乘法求α和μ；其中y
n
＝[x
(0)
(k2),x
(0)
(k3),...,x
(0)
(k
n
)]
t
，
在b中z
(1)
(k
i
)为x
(1)
(t)在区间[k
i-1
,k
i
]的背景值；将计算出的α和μ代入响应函数中并还原，获得预测值将计算出的α和μ代入响应函数中并还原，获得预测值5.根据权利要求4所述的一种非等间距灰色bp神经网络深基坑变形预测方法，其特征在于，基于预测序列，计算获得残差序列，包括：计算残差序列e(k
i
)：6.根据权利要求2所述的一种非等间距灰色bp神经网络深基坑变形预测方法，其特征在于，设定bp神经网络模型的参数；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；基于残差序列，计算获得深基坑预测值；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。7.根据权利要求6所述的一种非等间距灰色bp神经网络深基坑变形预测方法，其特征在于，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。8.一种非等间距灰色bp神经网络深基坑变形预测装置，其特征在于，包括处理器及存储介质；所述存储介质用于存储指令；所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。9.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。

技术总结
本发明公开了一种非等间距灰色BP神经网络深基坑变形预测方法，获取深基坑测量值；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；基于修正的残差，计算获得深基坑预测值。本发明根据实际应用过程中测量无法达到绝对等间隔的情况，进而对测量值通过非等间距灰色模型和BP神经网络模型融合的方法对测量值进行预测，通过修正残差，提高预测精度，相较于传统的方法预测值更加精确。相较于传统的方法预测值更加精确。相较于传统的方法预测值更加精确。


技术研发人员：王其 王磊 谢胜东 倪世松 张权 马云鹏 陈明星
受保护的技术使用者：南京信息工程大学
技术研发日：2022.03.23
技术公布日：2022/6/10