本發(fā)明涉及地鐵運營期間的沉降預測方法，特別是涉及基于經驗模態(tài)分解和BP神經網絡的地鐵沉降預測方法。
背景技術：
：地鐵現場監(jiān)控量測是地鐵施工的重要組成部分，在地鐵施工過程中，無論是內部，還是對應上方的變形，都是復雜的非線性、非平穩(wěn)的動態(tài)系統(tǒng)。怎么從獲得的數據中提取出內在性的東西，成為我們面臨的艱巨任務，此問題的本質也就是數據挖掘?；诖?，許多科研人員將地鐵變形的實測數據進行各種分析，如人工智能分析以及常規(guī)分析，并在此領域取得了豐碩的成果。經驗模式分解EMD(EmpiricalModeDecomposition)是一種很好的處理非線性、非平穩(wěn)信號的方法，該方法克服了小波變換需要選取小波基的難點，同時吸取了小波變換多分辨優(yōu)勢，是一種自適應的小波分解方法，但是處理數據時，經常出現模態(tài)混疊的問題。BP(BackPropagation)神經網絡理論具有自組織、容錯性、自適應等特點，適用于處理推理規(guī)則不明確、信息模糊、背景知識復雜的問題，但存在局部最小化、收斂速度慢的問題。將EMD與BP神經網絡相結合，有效的的克服了單一模型下EMD，BP神經網絡的缺點，可以極大的提高對非線性數據的預測精度。技術實現要素：發(fā)明目的：本發(fā)明的目的是提供一種能夠解決現有技術中存在的缺陷的基于經驗模態(tài)分解和BP神經網絡的地鐵沉降預測方法。技術方案：為達到此目的，本發(fā)明采用以下技術方案：本發(fā)明所述的基于經驗模態(tài)分解和BP神經網絡的地鐵沉降預測方法，包括以下步驟：S1：利用EMD分解將非平穩(wěn)的沉降信號x(t)分解為不同頻率尺度的波動；S2：根據各頻段數據特點，建立各頻段的BP神經網絡模型；S3：使用交叉驗證法選擇BP神經網絡模型的參數；S4：利用各個分量的預測值重構出原始信號的預測序列。進一步，所述步驟S1包括以下步驟：S1.1：將信號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的基本條件：如果滿足，則繼續(xù)進行步驟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為分解序列的個數，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。進一步，所述步驟S2為：選擇每個頻段前兩天的分解值zt-2和zt-1分別作為輸入層x1和x2，即令x1＝zt-2，x2＝zt-1；將當天的分解值zt作為輸出層y，t＝2，3,4…,n，n為預測天數；選取不同的隱含層數目，進行對比預測，獲得預測值均方根誤差最小時對應的隱含層數目，以此建立BP神經網絡模型。進一步，所述步驟S3為：利用交叉驗證法選取不同的參數組合，參數組合包括學習誤差、訓練樣本次數計數器n、學習速率、精度emin中的一種或多種，選擇預測值均方根誤差最小的參數作為BP神經網絡模型的參數。進一步，所述步驟S4為：根據式(1)預測得到沉降數據：P＝∑IMFs+r1(1)式(1)中，P為預測得到的沉降數據，IMFS為各頻段所得預測值，r1為預測殘留分量。有益效果：與現有技術相比，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)混疊的問題，以及BP神經網絡局部極小化、收斂速度慢的問題；2)本發(fā)明相對于單一模型來說，極大的提高了對非線性數據的處理精度。附圖說明圖1為本發(fā)明具體實施方式中南京市某地鐵監(jiān)測點的沉降時間序列；圖2為本發(fā)明具體實施方式中沉降時間序列進行EMD分解后的各個分量；圖2(a)為本發(fā)明具體實施方式中沉降時間序列進行EMD分解后的IMF1分量；圖2(b)為本發(fā)明具體實施方式中沉降時間序列進行EMD分解后的IMF2分量；圖2(c)為本發(fā)明具體實施方式中沉降時間序列進行EMD分解后的IMF3分量；圖2(d)為本發(fā)明具體實施方式中沉降時間序列進行EMD分解后的IMF4分量；圖2(e)為本發(fā)明具體實施方式中沉降時間序列進行EMD分解后的r5分量；圖3為本發(fā)明具體實施方式中的模型殘差值的對比結果。具體實施方式下面結合附圖和具體實施方式對本發(fā)明的技術方案作進一步的介紹。本具體實施方式公開了一種基于經驗模態(tài)分解和BP神經網絡的地鐵沉降預測方法，包括以下步驟：S1：利用EMD分解將非平穩(wěn)的沉降信號x(t)分解為不同頻率尺度的波動，具體包括以下步驟：S1.1：將信號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的基本條件，h＝a-m：如果滿足，則繼續(xù)進行步驟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為分解序列的個數，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。本征模函數也即IntrinsicModeFunction，簡稱IMF。IMF須滿足以下兩個性質：(1)信號的極值點(極大值或極小值)數目和過零點數目相等或最多相差一個；(2)由局部極大值構成的上包絡線和由局部極小值構成的下包絡線的平均值為零。本具體實施方式是基于南京某地鐵保護監(jiān)測區(qū)隧道內一個沉降監(jiān)測點連續(xù)實測數據為樣本。監(jiān)測點的數據為2014年6～12月份的200組數據，每期相隔時間為24h，趨勢如圖1所示。將所獲得沉降數據通過步驟S1的EMD分解步驟，進行分解，結果將得到分解所得四個頻段的數據和一個殘余序列，如圖2(a)—(e)所示。S2：根據各頻段數據特點，建立各頻段的BP神經網絡模型，具體為：選取每組數據的前120期為學習樣本，剩下的80期為檢驗樣本。選擇每個頻段前兩天的分解值zt-2和zt-1分別作為輸入層x1和x2，即令x1＝zt-2，x2＝zt-1；將當天的分解值zt作為輸出層y，t＝2，3,4…,n，n為預測天數；選取不同的隱含層數目，進行對比預測，獲得預測值均方根誤差最小時對應的隱含層數目，以此建立BP神經網絡模型。S3：使用交叉驗證法選擇BP神經網絡模型的參數，具體為：利用交叉驗證法選取不同的參數組合，參數組合包括學習誤差、訓練樣本次數計數器n、學習速率、精度emin中的一種或多種，選擇預測值均方根誤差最小的參數作為BP神經網絡模型的參數。表1EMD-BP神經網絡組合模型結構及參數S4：利用各個分量的預測值重構出原始信號的預測序列，具體為：根據式(1)預測得到沉降數據：P＝∑IMFs+r1(1)式(1)中，P為預測得到的沉降數據，IMFS為各頻段所得預測值，r1為預測殘留分量。下面選取BP神經網絡模型對數據進行預測分析，并將通過本具體實施方式方法建立的EMD-BP神經網絡模型與BP神經網絡模型進行對比，來驗證EMD-BP神經網絡組合模型的優(yōu)越性。表2EMD-BP神經網絡與BP神經網絡預測沉降對比mm根據表2的預測結果對比，可以看出EMD-BP神經網絡模型的預測值的殘差值整體要比BP神經網絡模型小。根據計算可得，BP神經網絡預測值中誤差RMSE＝±0.2339，信噪比SNR＝70.5105；EMD-BP神經網絡預測值的中誤差RMSE＝±0.1245，信噪比SNR＝75.3100。中誤差是衡量觀測精度的一種數字標準，中誤差越小，表明數據誤差越小。信噪比是指一組數據中信號與噪聲的比例，信噪比越大表明數據中的噪聲越小，意味著數據的質量越高。表4預測值的標準差(RMSE)與信噪比(SNR)對比結果BP神經網絡預測值EMD-BP神經網絡預測值RMSE±0.2339mm±0.1245mmSNR70.510575.3100通過比較可發(fā)現，EMD-BP神經網絡模型預測精度比BP神經網絡預測精度有較大程度的提高，信噪比也反映出EMD-BP神經網絡組合模型的高質量。EMD-BP神經網絡與BP神經網絡預測殘差值對比圖如圖3所示。通過以上分析發(fā)現：(1)EMD-BP組合模型在地鐵沉降預測上的運用，相比于單個的BP神經網絡的預測精度提高了46％，信噪比的比較也反映出EMD-BP神經網絡組合模型預測數據的高質量。(2)EMD-BP神經網絡的組合模型，相比于BP神經網絡來說，能夠更加完美的擬合非線性、復雜的序列，更加深層次的找到復雜系統(tǒng)的規(guī)律。(3)EMD-BP神經網絡的組合模型，在預測時將不同頻率的序列分離，減少了不同因素相互的干擾，減少了預測數據的噪聲，提升了預測數據的質量。當前第1頁1 2 3