[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

说明书

技术领域

本发明涉及地铁运营期间的沉降预测方法，特别是涉及基于经验模态分解和BP神经网络的地铁沉降预测方法。

背景技术

地铁现场监控量测是地铁施工的重要组成部分，在地铁施工过程中，无论是内部，还是对应上方的变形，都是复杂的非线性、非平稳的动态系统。怎么从获得的数据中提取出内在性的东西，成为我们面临的艰巨任务，此问题的本质也就是数据挖掘。基于此，许多科研人员将地铁变形的实测数据进行各种分析，如人工智能分析以及常规分析，并在此领域取得了丰硕的成果。经验模式分解EMD(Empirical Mode Decomposition)是一种很好的处理非线性、非平稳信号的方法，该方法克服了小波变换需要选取小波基的难点，同时吸取了小波变换多分辨优势，是一种自适应的小波分解方法，但是处理数据时，经常出现模态混叠的问题。BP(Back Propagation)神经网络理论具有自组织、容错性、自适应等特点，适用于处理推理规则不明确、信息模糊、背景知识复杂的问题，但存在局部最小化、收敛速度慢的问题。将EMD与BP神经网络相结合，有效的的克服了单一模型下EMD，BP神经网络的缺点，可以极大的提高对非线性数据的预测精度。

发明内容

发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于经验模态分解和BP神经网络的地铁沉降预测方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明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，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。

进一步，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。

进一步，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。

进一步，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。

进一步，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。

有益效果：与现有技术相比，本发明具有如下的有益效果：

1)本发明克服了EMD单一模型模态混叠的问题，以及BP神经网络局部极小化、收敛速度慢的问题；

2)本发明相对于单一模型来说，极大的提高了对非线性数据的处理精度。

附图说明

图1为本发明具体实施方式中南京市某地铁监测点的沉降时间序列；

图2为本发明具体实施方式中沉降时间序列进行EMD分解后的各个分量；