基于EMD分解和改进GWO-BP神经网络的滑坡位移预测.pdf
《基于EMD分解和改进GWO-BP神经网络的滑坡位移预测.pdf》由会员分享,可在线阅读,更多相关《基于EMD分解和改进GWO-BP神经网络的滑坡位移预测.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 卷第期 年月有色金属(矿山部分)N o n f e r r o u sM e t a l s(M i n i n gS e c t i o n)V o l ,N o M a y d o i:/j i s s n 基于EMD分解和改进GWO B P神经网络的滑坡位移预测陈显刚,郑剑,马庆福,张平生,郭兴隆,张亭(云南磷化集团有限公司,昆明 )摘要:考虑到滑坡位移受多因素的影响,结合信号分解与智能算法,提出了一种时序分解模型构建模型训练的EMD B P T I GWO滑坡位移预测方法.首先,利用EMD方法将滑坡监测数据分解为多个I MF分量及一个残余量,将分解后的分量划分为周期项及趋势项位移;
2、其次,构建B P T I GWO模型,引入T e n t映射及自适应权重,提高灰狼算法的收敛速度及全局搜索能力,并利用T I GWO算法优化B P神经网络的权值及阈值;利用P e a r s o n相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析,利用优化后的B P模型分别对周期及趋势项滑坡位移进行预测;最后,将各分量预测值进行叠加得到滑坡累计位移预测值,并对模型预测准确率进行评价.实验结果表明,EMD B P T I GWO模型在考虑降雨输入特征下,连续 d预测的RMS E、MA E及R分别为 、及 ,模型预测精度明显高于未考虑时滞的EMD GWO B P、EMD GWO B P、B P
3、 T I GWO、B P模型的预测精度,可为预测滑坡的位移提供参考.关键词:滑坡;模态分解;B P神经网络;改进灰狼优化算法;时间序列中图分类号:P 文献标志码:A文章编号:()L a n d s l i d ed i s p l a c e m e n tp r e d i c t i o nb a s e do nEMDd e c o m p o s i t i o na n di m p r o v e dGWO B Pn e u r a l n e t w o r kCHE NX i a n g a n g,Z HE NGJ i a n,MAQ i n g f u,Z HANGP i
4、n g s h e n g,GUOX i n g l o n g,Z HANGT i n g(Y u n n a nP h o s p h a t eG r o u pC o,L t d,K u n m i n g ,C h i n a)A b s t r a c t:C o n s i d e r i n g t h a tt h e l a n d s l i d e d i s p l a c e m e n ti si n f l u e n c e d b y m u l t i p l e f a c t o r s,a t i m e s e r i e sd e c o m p
5、 o s i t i o n m o d e l c o n s t r u c t i o n m o d e lt r a i n i n gm e t h o do fEMD B P T I GWOl a n d s l i d ed i s p l a c e m e n tp r e d i c t i o ni sp r o p o s e db yc o m b i n i n gs i g n a ld e c o m p o s i t i o na n di n t e l l i g e n ta l g o r i t h m s F i r s t l y,t h e
6、l a n d s l i d em o n i t o r i n gd a t aa r ed e c o m p o s e d i n t om u l t i p l e I MFc o m p o n e n t sa n dar e s i d u a lu s i n gt h eEMD m e t h o d,a n dt h ed e c o m p o s e dc o m p o n e n t sa r ed i v i d e d i n t op e r i o dt e r ma n dt r e n dt e r md i s p l a c e m e n
7、t s;s e c o n d l y,t h eB P T I GWO m o d e l i sc o n s t r u c t e d,t h eT e n tm a p p i n ga n da d a p t i v ew e i g h t sa r e i n t r o d u c e dt oi m p r o v et h ec o n v e r g e n c es p e e da n dg l o b a ls e a r c hc a p a b i l i t yo ft h ew h a l ea l g o r i t h m,a n dt h ew e
8、 i g h t sa n dt h r e s h o l d so fB Pn e u r a ln e t w o r ka r eo p t i m i z e du s i n gt h eT I GWOa l g o r i t h m;s u b s e q u e n t l y,t h eo p t i m i z e dB P T I GWOm o d e l i su s e dt op r e d i c t t h e l a n d s l i d ed i s p l a c e m e n tu s i n gt h eo p t i m i z e dB Pn
9、 e u r a ln e t w o r ka n dt h eT I GWOa l g o r i t h m S u b s e q u e n t l y,t h eo p t i m i z e dB Pm o d e lw a su s e dt oo u t p u t t h ep r e d i c t e dv a l u e s,a n df i n a l l y,t h ep r e d i c t e dv a l u e so fe a c hc o m p o n e n tw e r es u p e r i m p o s e dt oo b t a i n
10、t h ep r e d i c t e dv a l u e so fl a n d s l i d ec u m u l a t i v ed i s p l a c e m e n t,a n dt h em o d e lp r e d i c t i o na c c u r a c yw a se v a l u a t e d T h ee x p e r i m e n t a l r e s u l t ss h o wt h a t t h eRMS E,MA Ea n dRo f t h eEMD B P T I GWOm o d e l a r e ,a n d r e
11、 s p e c t i v e l y,u n d e r t h e f e a t u r eo fn or a i n f a l l i n p u t f o rd T h ep r e d i c t i o na c c u r a c yo f t h em o d e l i s s i g n i f i c a n t l yh i g h e r t h a nt h a t o f t h eEMD GWO B P,EMD GWO B P,B P T I GWO,a n dB Pm o d e l s t h a td on o t c o n s i d e r
12、t h e t i m e l a g,w h i c hc a np r o v i d ear e f e r e n c e f o rp r e d i c t i n gt h ed i s p l a c e m e n to f t h e l a n d s l i d e K e yw o r d s:l a n d s l i d e;m o d ed e c o m p o s i t i o n;B Pn e u r a ln e t w o r k;i m p r o v i n gt h eg r a yw o l fo p t i m i z a t i o na
13、 l g o r i t h m;t i m es e r i e s收稿日期:作者简介:陈显刚(),男,助理工程师,采矿工程专业,主要从事磷矿开采工作,E m a i l:q q c o m.有色金属(矿山部分)第 卷滑坡一旦发生,不仅会对周边地区人员的生命安全造成巨大的危害,还会造成较大的财产损失.滑坡受自身地质条件与降雨等因素的影响,其位移随时间的变化而变化,通过滑坡监测数据能较为直观地判断滑坡的变形破坏趋势 .因此,通过分析滑坡监测数据建立滑坡位移预测模型对减少滑坡灾害发生后造成的财产损失有重要意义.针对滑坡位移预测,常用的方法是将滑坡总位移分解为趋势项与周期项位移,构建不同的模型对各
14、分量进行预测,将预测结果叠加得到累计滑坡位移.随着数据挖掘与机器学习的快速发展,许多学者将智能算法运用于滑坡位移预测中,如杨勇等结合随机权重法及惯性权重因子对P S O算法进行优化,并利用优化后的P S O算法及E LM建立I P S O E LM边坡稳定性预测模型;马增等针对边坡位移增量的随机波动性,结合叠加马尔科夫链方法建立了边坡位移预测模型;孙晓云等利用VMD方法将边坡监测数据分解为一系列子序列,并建立B S A K E LM边坡位移预测模型,取得了较好的预测效果.B P神经网络具有结构简单、参数设置少等优点,已广泛运用于多领域,但B P神经网络的初始权重和偏置是随机产生的,易使模型出现
15、收敛速度慢、陷入局部最小值等问题.许多学者运用粒子群算法、遗传算法、灰狼算法等算法来为模型设置适当的参数值以提高模型的预测精度.灰狼算法(GWO)易出现收敛精度低、陷入局部最优值等问题,因此本文引用改进后的灰狼优化算法对B P神经网络的权值及阈值进行优化.基于此,本文尝试建立EMD B P T I GWO滑坡位移预测模型.首先,基于EMD从滑坡位移监测数据中提取出趋势项和周期项位移;其次,引入T e n t映射及自适应权重的灰狼优化算法对B P网络模型进行优化,对B P网络模型的权值及阈值进行取值,考虑到降雨对周期项位移的影响,将降雨因素作为输入特征,利用优化后的B P模型分别对趋势项及周期项
16、位移进行预测;最后,将两者预测结果叠加便为滑坡累计位移预测结果,并通过RMS E、MA E及R对模型的预测精度进行评价.B P神经网络方法 EMD法可利用EMD方法将滑坡位移分解为周期项及趋势项,如式().趋势项可反映滑坡在内部因素条件影响下位移的变化,呈现近似单调增函数;周期项可反映滑坡受外部因素影响时位移随时间的变化,通常呈现近似周期性变化.Y t()pt()qt()()式中,Y(t)为累计位移,p(t)为趋势项位移,q(t)为周期项位移.经验模态分解(EMD)是一种自适应信号分解方法,能够将滑坡位移信号分解成一系列固有模态函数(I MF s)及一个残差分量(r e s).其分解过程如下:
17、)找出滑坡位移信号x(t)的所有极值点,利用三次样条曲线分别连接极大值点与极小值点,形成上下包络线,并计算其均值n:nxm i nt()xm a xt()()原始信号减去均值,得到新信号h(t):h(t)x(t)n()判断h(t)的极值点与零点的个数是否相等(或相差个)及上下包络线是否关于时间轴对称,若不满足,则重复以上步骤,直至h(t)满足条件;反之,h(t)可视为I MF,可得到I MF:I MFX(t)h(t)()重 复 以 上 步 骤,当 不 能 再 提 取 满 足ykyk,m a xxk(yk,m a xyk,m i n)分量时,则停止分解,原始信号可表示为:xtniI MFir e
18、 s()其中,r e s为残余量.B P神经网络B P神经网络由输入层、隐含层及输出层组成.各层之间存在连接权重和偏置,其工作原理为:对输出数据与期望输出数据给定一个误差值,输入层输入数据,经过隐含层、输出层输出数据,若输出数据与给定预期值间的差值大于给定的误差值,输出层产生误差信号,沿最初的连接通道反向传播,通过误差信号的反馈来调整各神经元的连接权值和偏置,使输出值不断接近期望值,直至误差达到最小,则输出数据 .根据输入输出数据确定神经网络的隐函层节点数h,通常按照式()确定隐含层节点个数.各连接层间常用的激活函数为S i g m o i d函数,如式().hmnb()式中:b为 之间的常数
19、.yex()第期陈显刚等:基于EMD分解和改进GWO B P神经网络的滑坡位移预测 灰狼算法(G r e yW o l fO p t i m i z e r,GWO)GWO是由M I R J A L I L I通过观察自然界中灰狼种群捕食的行为和狼群等级制度而提出的.狼群一共分为个等级.第一等级称为狼,负责对狼群的捕食对象以及栖息地等选择做决策;第二等级称为狼,负责协助狼管理狼群,做出捕食行动安排;第三等级称为狼,负责狩猎和侦查猎物工作,其中,狼、狼及狼均为领导者,且数量均为一只;第四等级为狼,有多只,需要服从且遵守狼、狼及狼的命令,灰狼种群只有严格遵守前三条命令,捕食任务才能顺利完成,灰狼所
20、处等级越高,则证明捕食的概率越大 .灰狼捕食的过程如下:)搜索猎物.在D维搜索空间内,假设n只灰狼构成灰 狼 种 群X,种 群 中 第X只 狼 的 位 置 为X(X,X,Xn),狼群发现猎物时,对其进行包围,其数学模型可表示为:ACXkt()X t()()X t()Xkt()BA()Bar()()Cr()attm a x()式中,A为个体与猎物间的距离;t为当前迭代次数;Xk(t)为经过t次迭代后猎物的位置;X(t)为灰狼个体经过t次迭代后的位置;B为收敛因子;C为摆动因子;r、r为,间的随机数;a为距离控制参数,从线性递减至.)狩猎猎物.确定捕食位置后,狼对狼群进行指挥,狼及狼负责辅助工作,
21、狼进行狩猎行动.在此行动中,狼、狼及狼负责指挥狼,逐渐对猎物逼近,狼群的数学模型可表示为:ACXt()X t()()ACXt()X t()()ACXt()X t()()Xt()Xt()BA()Xt()Xt()BA()Xt()Xt()BA()Xt()Xt()Xt()Xt()()式中,B、B及B分别为、及的系数向量;X(t)、X(t)及X(t)分别表示、及与猎物间的距离;X(t)、X(t)及X(t)分别为灰狼个体经过(t)次迭代后的空间位置;X(t)为狼在、及狼指挥下经过(t)次迭代后的空间位置.)捕食猎物.灰狼捕食猎物时的具体方位主要由|A|决定.|A|时,则当前位置并不是最佳捕猎位置,灰狼离开
22、猎物,进行全局搜索,寻找全局最优解;|A|时,灰狼所处位置是捕猎的合适位置,灰狼种群进行局部搜索,开展捕食行动.GWO具有原理简单、需调参数少、结构简单等优点,但在求解复杂问题时易出现收敛精度低、陷入局部最优值等问题.因此,本文引入T e n t映射与惯性权重方法来增强灰狼种群的全局搜索能力并提高该算法的收敛能力.改进灰狼算法 T e n t映射GWO初始种群的位置对于灰狼种群找到最佳捕食位置有着较大的影响.混沌现象指在某个确定的系统中,存在着一些不可重复的、不可预测的、随机的变量,具有非周期性、有界性和遍历性等特点,能更高效地对搜索空间进行全面搜索.T e n t映射具有较好的遍历性及收敛速
23、度,因此引入T e n t混沌映射对最初灰狼种群位置进行优化,增强灰狼种群的全局搜索能力.其表达式为:xk xk,x(xk),x()式中:k为种群个数,对混沌序列进行逆映射,便得到灰狼种群个体的位置序列yk,如式().ykyk,m a xXkyk,m a xyk,m i n()()式中:yk,m a x及yk,m i n分别为灰狼种群初始位置序列的最大值与最小值.惯性权重因子在灰狼种群狩猎阶段,若狼、狼及狼的权重因子较大,会使得狼全局搜索的范围增大,在觅食后期,若狼、狼及狼的权重因子较小,则会使局部范围搜索能力变大.惯性权重值较小时,灰狼的局部搜索能力变强,反之,灰狼的全局搜索能力变弱,因此,
24、在灰狼局部寻优初期设置较大的权值,在灰狼全局寻优时设置较小的权值,以此提高灰狼种群的全局搜索能力.引入惯性权重因子的公式为:m a xtTm a xm a xm i n()()其中,m i n和m a x分别为惯性权重的最小、最大值,tm a x为最大迭代次数,t为当前迭代次数.有色金属(矿山部分)第 卷因此,狼在捕食猎物阶段的位置更新公式为:Xt()Xt()Xt()Xt()()EMD与改进B P神经网络预测模型本文基于EMD B P T I GWO模型的边坡位移预测主要步骤如图所示:图EMD B P T I GWO模型流程图F i g F l o wC h a r t o f t h eEM
25、D B P T I GWOm o d e l)利用EMD将滑坡位移监测数据分解为多个I MF和一个r e s残余量,将分解后的I MF分量及残余量分为趋势项位移及周期项位移,并对数据进行归一化处理,避免数据量纲的复杂性对模型的预测精度 造成影响,并 将其按的比例划分,作 为T I GWO B P模 型 的 训 练 集 及 测 试 集数据.)确立B P网络的输入层m、隐含层h及输出层n节点个数,随机对初始阈值及权值进行赋值,选择S i g m o i d为各连接层间的激活函数,设置网络学习速率 ,最大迭代次数为 ,目标训练误差为 .)利用T e n t映射对灰狼种群初始位置进行映射,设置惯性权重
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 EMD 分解 改进 GWO BP 神经网络 滑坡 位移 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。