本發(fā)明涉及地鐵運(yùn)營(yíng)期間的沉降預(yù)測(cè)方法，特別是涉及基于經(jīng)驗(yàn)?zāi)B(tài)分解和BP神經(jīng)網(wǎng)絡(luò)的地鐵沉降預(yù)測(cè)方法。
背景技術(shù)：
：地鐵現(xiàn)場(chǎng)監(jiān)控量測(cè)是地鐵施工的重要組成部分，在地鐵施工過(guò)程中，無(wú)論是內(nèi)部，還是對(duì)應(yīng)上方的變形，都是復(fù)雜的非線性、非平穩(wěn)的動(dòng)態(tài)系統(tǒng)。怎么從獲得的數(shù)據(jù)中提取出內(nèi)在性的東西，成為我們面臨的艱巨任務(wù)，此問(wèn)題的本質(zhì)也就是數(shù)據(jù)挖掘。基于此，許多科研人員將地鐵變形的實(shí)測(cè)數(shù)據(jù)進(jìn)行各種分析，如人工智能分析以及常規(guī)分析，并在此領(lǐng)域取得了豐碩的成果。經(jīng)驗(yàn)?zāi)Ｊ椒纸釫MD(EmpiricalModeDecomposition)是一種很好的處理非線性、非平穩(wěn)信號(hào)的方法，該方法克服了小波變換需要選取小波基的難點(diǎn)，同時(shí)吸取了小波變換多分辨優(yōu)勢(shì)，是一種自適應(yīng)的小波分解方法，但是處理數(shù)據(jù)時(shí)，經(jīng)常出現(xiàn)模態(tài)混疊的問(wèn)題。BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)理論具有自組織、容錯(cuò)性、自適應(yīng)等特點(diǎn)，適用于處理推理規(guī)則不明確、信息模糊、背景知識(shí)復(fù)雜的問(wèn)題，但存在局部最小化、收斂速度慢的問(wèn)題。將EMD與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，有效的的克服了單一模型下EMD，BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，可以極大的提高對(duì)非線性數(shù)據(jù)的預(yù)測(cè)精度。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：本發(fā)明的目的是提供一種能夠解決現(xiàn)有技術(shù)中存在的缺陷的基于經(jīng)驗(yàn)?zāi)B(tài)分解和BP神經(jīng)網(wǎng)絡(luò)的地鐵沉降預(yù)測(cè)方法。技術(shù)方案：為達(dá)到此目的，本發(fā)明采用以下技術(shù)方案：本發(fā)明所述的基于經(jīng)驗(yàn)?zāi)B(tài)分解和BP神經(jīng)網(wǎng)絡(luò)的地鐵沉降預(yù)測(cè)方法，包括以下步驟：S1：利用EMD分解將非平穩(wěn)的沉降信號(hào)x(t)分解為不同頻率尺度的波動(dòng)；S2：根據(jù)各頻段數(shù)據(jù)特點(diǎn)，建立各頻段的BP神經(jīng)網(wǎng)絡(luò)模型；S3：使用交叉驗(yàn)證法選擇BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；S4：利用各個(gè)分量的預(yù)測(cè)值重構(gòu)出原始信號(hào)的預(yù)測(cè)序列。進(jìn)一步，所述步驟S1包括以下步驟：S1.1：將信號(hào)a的局部均值組成序列m；S1.2：令h＝a-m，檢查序列h是否滿足本征模函數(shù)的基本條件：如果滿足，則繼續(xù)進(jìn)行步驟S1.3；否則，則令a＝h，然后返回步驟S1.1；S1.3：令ci＝h，并令ri＝ri-1-ci，i為分解序列的個(gè)數(shù)，i>0；S1.4：判斷迭代ri＝ri-1-ci是否滿足停止條件：如果滿足，則繼續(xù)進(jìn)行步驟S1.5；否則，則令a＝ri，i＝i+1，然后返回步驟S1.1；S1.5：分解完成，得到基本模式分量c1,…,ci,…，以及殘留分量r1。進(jìn)一步，所述步驟S2為：選擇每個(gè)頻段前兩天的分解值z(mì)t-2和zt-1分別作為輸入層x1和x2，即令x1＝zt-2，x2＝zt-1；將當(dāng)天的分解值z(mì)t作為輸出層y，t＝2，3,4…,n，n為預(yù)測(cè)天數(shù)；選取不同的隱含層數(shù)目，進(jìn)行對(duì)比預(yù)測(cè)，獲得預(yù)測(cè)值均方根誤差最小時(shí)對(duì)應(yīng)的隱含層數(shù)目，以此建立BP神經(jīng)網(wǎng)絡(luò)模型。進(jìn)一步，所述步驟S3為：利用交叉驗(yàn)證法選取不同的參數(shù)組合，參數(shù)組合包括學(xué)習(xí)誤差、訓(xùn)練樣本次數(shù)計(jì)數(shù)器n、學(xué)習(xí)速率、精度emin中的一種或多種，選擇預(yù)測(cè)值均方根誤差最小的參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。進(jìn)一步，所述步驟S4為：根據(jù)式(1)預(yù)測(cè)得到沉降數(shù)據(jù)：P＝∑IMFs+r1(1)式(1)中，P為預(yù)測(cè)得到的沉降數(shù)據(jù)，IMFS為各頻段所得預(yù)測(cè)值，r1為預(yù)測(cè)殘留分量。有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有如下的有益效果：1)本發(fā)明克服了EMD單一模型模態(tài)混疊的問(wèn)題，以及BP神經(jīng)網(wǎng)絡(luò)局部極小化、收斂速度慢的問(wèn)題；2)本發(fā)明相對(duì)于單一模型來(lái)說(shuō)，極大的提高了對(duì)非線性數(shù)據(jù)的處理精度。附圖說(shuō)明圖1為本發(fā)明具體實(shí)施方式中南京市某地鐵監(jiān)測(cè)點(diǎn)的沉降時(shí)間序列；圖2為本發(fā)明具體實(shí)施方式中沉降時(shí)間序列進(jìn)行EMD分解后的各個(gè)分量；圖2(a)為本發(fā)明具體實(shí)施方式中沉降時(shí)間序列進(jìn)行EMD分解后的IMF1分量；圖2(b)為本發(fā)明具體實(shí)施方式中沉降時(shí)間序列進(jìn)行EMD分解后的IMF2分量；圖2(c)為本發(fā)明具體實(shí)施方式中沉降時(shí)間序列進(jìn)行EMD分解后的IMF3分量；圖2(d)為本發(fā)明具體實(shí)施方式中沉降時(shí)間序列進(jìn)行EMD分解后的IMF4分量；圖2(e)為本發(fā)明具體實(shí)施方式中沉降時(shí)間序列進(jìn)行EMD分解后的r5分量；圖3為本發(fā)明具體實(shí)施方式中的模型殘差值的對(duì)比結(jié)果。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的介紹。本具體實(shí)施方式公開(kāi)了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和BP神經(jīng)網(wǎng)絡(luò)的地鐵沉降預(yù)測(cè)方法，包括以下步驟：S1：利用EMD分解將非平穩(wěn)的沉降信號(hào)x(t)分解為不同頻率尺度的波動(dòng)，具體包括以下步驟：S1.1：將信號(hào)a的局部均值組成序列m；S1.2：檢查序列h是否滿足本征模函數(shù)的基本條件，h＝a-m：如果滿足，則繼續(xù)進(jìn)行步驟S1.3；否則，則令a＝h，然后返回步驟S1.1；S1.3：令ci＝h，并令ri＝ri-1-ci，i為分解序列的個(gè)數(shù)，i>0；S1.4：判斷迭代ri＝ri-1-ci是否滿足停止條件：如果滿足，則繼續(xù)進(jìn)行步驟S1.5；否則，則令a＝ri，i＝i+1，然后返回步驟S1.1；S1.5：分解完成，得到基本模式分量c1,…,ci,…，以及殘留分量r1。本征模函數(shù)也即IntrinsicModeFunction，簡(jiǎn)稱IMF。IMF須滿足以下兩個(gè)性質(zhì)：(1)信號(hào)的極值點(diǎn)(極大值或極小值)數(shù)目和過(guò)零點(diǎn)數(shù)目相等或最多相差一個(gè)；(2)由局部極大值構(gòu)成的上包絡(luò)線和由局部極小值構(gòu)成的下包絡(luò)線的平均值為零。本具體實(shí)施方式是基于南京某地鐵保護(hù)監(jiān)測(cè)區(qū)隧道內(nèi)一個(gè)沉降監(jiān)測(cè)點(diǎn)連續(xù)實(shí)測(cè)數(shù)據(jù)為樣本。監(jiān)測(cè)點(diǎn)的數(shù)據(jù)為2014年6～12月份的200組數(shù)據(jù)，每期相隔時(shí)間為24h，趨勢(shì)如圖1所示。將所獲得沉降數(shù)據(jù)通過(guò)步驟S1的EMD分解步驟，進(jìn)行分解，結(jié)果將得到分解所得四個(gè)頻段的數(shù)據(jù)和一個(gè)殘余序列，如圖2(a)—(e)所示。S2：根據(jù)各頻段數(shù)據(jù)特點(diǎn)，建立各頻段的BP神經(jīng)網(wǎng)絡(luò)模型，具體為：選取每組數(shù)據(jù)的前120期為學(xué)習(xí)樣本，剩下的80期為檢驗(yàn)樣本。選擇每個(gè)頻段前兩天的分解值z(mì)t-2和zt-1分別作為輸入層x1和x2，即令x1＝zt-2，x2＝zt-1；將當(dāng)天的分解值z(mì)t作為輸出層y，t＝2，3,4…,n，n為預(yù)測(cè)天數(shù)；選取不同的隱含層數(shù)目，進(jìn)行對(duì)比預(yù)測(cè)，獲得預(yù)測(cè)值均方根誤差最小時(shí)對(duì)應(yīng)的隱含層數(shù)目，以此建立BP神經(jīng)網(wǎng)絡(luò)模型。S3：使用交叉驗(yàn)證法選擇BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，具體為：利用交叉驗(yàn)證法選取不同的參數(shù)組合，參數(shù)組合包括學(xué)習(xí)誤差、訓(xùn)練樣本次數(shù)計(jì)數(shù)器n、學(xué)習(xí)速率、精度emin中的一種或多種，選擇預(yù)測(cè)值均方根誤差最小的參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。表1EMD-BP神經(jīng)網(wǎng)絡(luò)組合模型結(jié)構(gòu)及參數(shù)S4：利用各個(gè)分量的預(yù)測(cè)值重構(gòu)出原始信號(hào)的預(yù)測(cè)序列，具體為：根據(jù)式(1)預(yù)測(cè)得到沉降數(shù)據(jù)：P＝∑IMFs+r1(1)式(1)中，P為預(yù)測(cè)得到的沉降數(shù)據(jù)，IMFS為各頻段所得預(yù)測(cè)值，r1為預(yù)測(cè)殘留分量。下面選取BP神經(jīng)網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)分析，并將通過(guò)本具體實(shí)施方式方法建立的EMD-BP神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，來(lái)驗(yàn)證EMD-BP神經(jīng)網(wǎng)絡(luò)組合模型的優(yōu)越性。表2EMD-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)沉降對(duì)比mm根據(jù)表2的預(yù)測(cè)結(jié)果對(duì)比，可以看出EMD-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值的殘差值整體要比BP神經(jīng)網(wǎng)絡(luò)模型小。根據(jù)計(jì)算可得，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值中誤差RMSE＝±0.2339，信噪比SNR＝70.5105；EMD-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值的中誤差RMSE＝±0.1245，信噪比SNR＝75.3100。中誤差是衡量觀測(cè)精度的一種數(shù)字標(biāo)準(zhǔn)，中誤差越小，表明數(shù)據(jù)誤差越小。信噪比是指一組數(shù)據(jù)中信號(hào)與噪聲的比例，信噪比越大表明數(shù)據(jù)中的噪聲越小，意味著數(shù)據(jù)的質(zhì)量越高。表4預(yù)測(cè)值的標(biāo)準(zhǔn)差(RMSE)與信噪比(SNR)對(duì)比結(jié)果BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值EMD-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值RMSE±0.2339mm±0.1245mmSNR70.510575.3100通過(guò)比較可發(fā)現(xiàn)，EMD-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度有較大程度的提高，信噪比也反映出EMD-BP神經(jīng)網(wǎng)絡(luò)組合模型的高質(zhì)量。EMD-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)殘差值對(duì)比圖如圖3所示。通過(guò)以上分析發(fā)現(xiàn)：(1)EMD-BP組合模型在地鐵沉降預(yù)測(cè)上的運(yùn)用，相比于單個(gè)的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度提高了46％，信噪比的比較也反映出EMD-BP神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)數(shù)據(jù)的高質(zhì)量。(2)EMD-BP神經(jīng)網(wǎng)絡(luò)的組合模型，相比于BP神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，能夠更加完美的擬合非線性、復(fù)雜的序列，更加深層次的找到復(fù)雜系統(tǒng)的規(guī)律。(3)EMD-BP神經(jīng)網(wǎng)絡(luò)的組合模型，在預(yù)測(cè)時(shí)將不同頻率的序列分離，減少了不同因素相互的干擾，減少了預(yù)測(cè)數(shù)據(jù)的噪聲，提升了預(yù)測(cè)數(shù)據(jù)的質(zhì)量。當(dāng)前第1頁(yè)1 2 3