滑坡变形的Elman神经网络动态预测方法技术

本发明专利技术公开了滑坡变形的Elman神经网络动态预测方法，涉及滑坡预测技术领域，将Elman神经网络的动态特性应用到滑坡变形动态预测中，建立基于Elman神经网络的滑坡变形动态预测模型，并将该模型应用到中区滑坡变形监测点的加速变形预测实例中，预测结果表明变形预测结果与实测值趋势基本一致，预测结果精度高，并且基于Elman神经网络的滑坡变形预测模型有很强的动态特性和自适应能力，可以根据滑坡实时变形状态对滑坡变形进行动态预测，且预测结果准确率高。

【技术实现步骤摘要】
滑坡变形的Elman神经网络动态预测方法
本专利技术涉及滑坡预测
，特别是涉及滑坡变形的Elman神经网络动态预测方法。
技术介绍
目前在滑坡变形预测方法较多，包括灰色(G，M)预测模型、混沌时间序列预测和静态前馈神经网络等。灰色预测模型建立的条件是原始离散数据为光滑离散函数，否则会导致较大误差；传统的混沌线性预测模型内部有局限性，而基于加权指数法的混沌预测模型建模过程繁琐且计算复杂；包括BP在内的前馈神经网络在进行滑坡变形预测时，实际上是以静态模型对动态系统进行辨识，采用这种方式进行预测是不合理的。
技术实现思路
本专利技术实施例提供了滑坡变形的Elman神经网络动态预测方法，可以解决现有技术中存在的问题。滑坡变形的Elman神经网络动态预测方法，所述方法包括以下步骤：按照下式(1)、(2)和(3)建立Elman神经网络：x(k)＝f(w1xc(k)+w2(u(k-1)))(1)xc(k)＝αxc(k-1)+x(k-1)(2)y(k)＝g(w3x(k))(3)其中k表示时刻，连接权w1为承接层与隐含层的连接权矩阵，w2为输入层与隐含层的连接权矩阵，w3为隐含层与输出层的连接权矩阵，xc(k)和x(k)分别表示承接层的输出和隐含层的输出，y(k)表示输出层的输出，0≤α<1为自连接反馈增益因子，f(x)为隐含层的传递函数，g(x)为输出层函数；设定输入层、输出层和隐含层的节点数量，选择隐含层传递函数和输出层传递函数，并设定训练误差和步数；输入滑坡变形历史监测数据作为数据样本，对所述Elman神经网络进行训练；将当前实际监测数据输入训练好的Elman神经网络，预测得到下一时刻的预测值。优选地，设定的输入层节点数为3，输出层节点数为1，对于隐含层节点数，根据以下两个经验公式确定二者隐含层节点数的交集，然后根据试凑来确定最佳隐含层节点数M：式中m和n分别表示输入层和输出层节点数，a∈[0,10]之间的整数，根据式(4)和(5)求出隐含层节点数M的取值范围，并通过试凑计算得出M取12时精度最高。优选地，隐含层的传递函数采用tansig非线性函数，输出层传递函数采用purelin线性函数，网络训练误差设定为10-4，最多训练步数为1000步。优选地，在输入实际监测数据前，首先对输入数据进行归一化处理，将监测数据的输入值归一化处理在[0,1]之间：其中，U为经过归一化处理后的神经网络输入值，u为实际监测数据，umax为监测数据的最大值，取实际监测数据最大值的1.25倍，umin为监测数据的最小值，取实际监测数据最小值的0.75倍；得到下一时刻的预测值后，再利用下式换算为实际值：Y＝ymin+y(ymax-ymin)(7)其中，Y为反归一化处理后的神经网络输出值，y为神经网络实际输出值，ymax为实际输出值的最大值，ymin为实际输出值的最小值。本专利技术实施例中的滑坡变形的Elman神经网络动态预测方法，将Elman神经网络的动态特性应用到滑坡变形动态预测中，建立基于Elman神经网络的滑坡变形动态预测模型，并将该模型应用到中区滑坡变形监测点的加速变形预测实例中，预测结果表明变形预测结果与实测值趋势基本一致，预测结果精度高，并且基于Elman神经网络的滑坡变形预测模型有很强的动态特性和自适应能力，可以根据滑坡实时变形状态对滑坡变形进行动态预测，且预测结果准确率高。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是Elman神经网络的结构示意图；图2是本专利技术实施例提供的滑坡变形的Elman神经网络动态预测方法流程图；图3为J24监测点水平累计位移实测曲线与预测曲线对比图；图4为J29监测点水平累计位移实测曲线与预测曲线对比图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在介绍本专利技术的技术方案前，首先对Elman神经网络进行说明：如图1所示，Elman神经网络具有四层结构：输入层、隐含层、承接层和输出层，输入层的作用是传输信号，隐含层可采用线性或非线性的传递函数，输出层起线性加权作用，承接层可以记忆隐含层前一时刻的输出至并返回给网络的输入。图中：x(k)＝f(w1xc(k)+w2(u(k-1)))(1)xc(k)＝αxc(k-1)+x(k-1)(2)y(k)＝g(w3x(k))(3)其中k表示时刻，连接权w1为承接层与隐含层的连接权矩阵，w2为输入层与隐含层的连接权矩阵，w3为隐含层与输出层的连接权矩阵，xc(k)和x(k)分别表示承接层的输出和隐含层的输出，y(k)表示输出层的输出，0≤α<1为自连接反馈增益因子，f(x)为隐含层的传递函数，g(x)为输出层函数。参照图2，本专利技术实施例中提供的滑坡变形的Elman神经网络动态预测方法，包括以下步骤：步骤100，按照上式(1)、(2)和(3)建立Elman神经网络；步骤110，设定输入层、输出层和隐含层的节点数量，选择隐含层传递函数和输出层传递函数，并设定训练误差和步数；具体地，本实施例中设定的输入层节点数为3，输出层节点数为1，对于隐含层节点数，根据以下两个经验公式确定二者隐含层节点数的交集，然后根据试凑来确定最佳隐含层节点数M：式中m和n分别表示输入层和输出层节点数，a∈[0,10]之间的整数，根据式(4)和(5)求出隐含层节点数M为2≤M≤12，利用Elman网络对M进行试算发现M取12时计算精度最高，因此将隐含层节点数M设定为12。隐含层的传递函数采用tansig非线性函数，输出层传递函数采用purelin线性函数。网络训练误差设定为10-4，最多训练步数为1000步。步骤120，输入滑坡变形历史监测数据作为数据样本，对所述Elman神经网络进行训练；训练时，假定初始数据样本数为n，则训练过程如表1所示。然后用训练好的网络对第n+1次的监测数据进行预测，再用第n+1次的实测值代替预测值，递补到数据样本中继续进行训练，进而预测n+2次的监测数据。以此类推，随着滑坡变形监测样本数据的增加，Elman神经网络预测模型的预测效果也越来越合理。表1网络模型的训练过程步骤130，将当前实际监测数据输入训练好的Elman神经网络，预测得到下一时刻的预测值。在本实施例中，在输入实际监测数据前，首先对输入数据进行归一化处理，将监测数据的输入值归一化处理在[0,1]之间：其中，U为经过归一化处理后的神经网络输入值，u为实际监测数据，umax为监测数据的最大值，一般取实际监测数据最大值的1.25倍，umin为监测数据的最小值，一般取实际监测数据最小值的0.75倍。得到下一时刻的预测值后，再利用下式换算为实际值：Y＝ymin+y(ymax-ymin)(7)其中，Y为反归一化处理后的神经网络输出值，y为神经网络实际本文档来自技高网...

【技术保护点】
滑坡变形的Elman神经网络动态预测方法，其特征在于，所述方法包括以下步骤：按照下式(1)、(2)和(3)建立Elman神经网络：x(k)＝f(w

【技术特征摘要】
1.滑坡变形的Elman神经网络动态预测方法，其特征在于，所述方法包括以下步骤：按照下式(1)、(2)和(3)建立Elman神经网络：x(k)＝f(w1xc(k)+w2(u(k-1)))(1)xc(k)＝αxc(k-1)+x(k-1)(2)y(k)＝g(w3x(k))(3)其中k表示时刻，连接权w1为承接层与隐含层的连接权矩阵，w2为输入层与隐含层的连接权矩阵，w3为隐含层与输出层的连接权矩阵，xc(k)和x(k)分别表示承接层的输出和隐含层的输出，y(k)表示输出层的输出，0≤α<1为自连接反馈增益因子，f(x)为隐含层的传递函数，g(x)为输出层函数；设定输入层、输出层和隐含层的节点数量，选择隐含层传递函数和输出层传递函数，并设定训练误差和步数；输入滑坡变形历史监测数据作为数据样本，对所述Elman神经网络进行训练；将当前实际监测数据输入训练好的Elman神经网络，预测得到下一时刻的预测值。2.如权利要求1所述的滑坡变形的Elman神经网络动态预测方法，其特征在于，设定的输入层节点数为3，输出层节点数为1，对于隐含层节点数，根据以下两个经验公式确定二者隐含层节点数的交集，然后根据试凑来确定最佳隐含层节点数M：...

【专利技术属性】
技术研发人员：李寻昌，李葛，许锐，崔伟帅，叶君文，曹岩，李俊，闫成龙，赵海南，汪班桥，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61