[发明专利]基于经验模态分解和BP神经网络的地铁沉降预测方法

权利要求书

1.基于经验模态分解和BP神经网络的地铁沉降预测方法，其特征在于：包括以下步骤：

S1：利用EMD分解将非平稳的沉降信号x(t)分解为不同频率尺度的波动；

S2：根据各频段数据特点，建立各频段的BP神经网络模型；

S3：使用交叉验证法选择BP神经网络模型的参数；

S4：利用各个分量的预测值重构出原始信号的预测序列。

2.根据权利要求1所述的基于经验模态分解和BP神经网络的地铁沉降预测方法，其特征在于：所述步骤S1包括以下步骤：

S1.1：将信号a的局部均值组成序列m；

S1.2：令h＝a-m，检查序列h是否满足本征模函数的基本条件：如果满足，则继续进行步骤S1.3；否则，则令a＝h，然后返回步骤S1.1；

S1.3：令c_i＝h，并令r_i＝r_i-1-c_i，i为分解序列的个数，i>0；

S1.4：判断迭代r_i＝r_i-1-c_i是否满足停止条件：如果满足，则继续进行步骤S1.5；否则，则令a＝r_i，i＝i+1，然后返回步骤S1.1；

S1.5：分解完成，得到基本模式分量c₁,…,c_i,…，以及残留分量r₁。

3.根据权利要求1所述的基于经验模态分解和BP神经网络的地铁沉降预测方法，其特征在于：所述步骤S2为：选择每个频段前两天的分解值z_t-2和z_t-1分别作为输入层x₁和x₂，即令x₁＝z_t-2，x₂＝z_t-1；将当天的分解值z_t作为输出层y，t＝2，3,4…,n，n为预测天数；选取不同的隐含层数目，进行对比预测，获得预测值均方根误差最小时对应的隐含层数目，以此建立BP神经网络模型。

4.根据权利要求1所述的基于经验模态分解和BP神经网络的地铁沉降预测方法，其特征在于：所述步骤S3为：利用交叉验证法选取不同的参数组合，参数组合包括学习误差、训练样本次数计数器n、学习速率、精度e_min中的一种或多种，选择预测值均方根误差最小的参数作为BP神经网络模型的参数。

5.根据权利要求1所述的基于经验模态分解和BP神经网络的地铁沉降预测方法，其特征在于：所述步骤S4为：根据式(1)预测得到沉降数据：

P＝∑IMFs+r₁ (1)

式(1)中，P为预测得到的沉降数据，IMF_S为各频段所得预测值，r₁为预测残留分量。