[发明专利]滑坡变形的Elman神经网络动态预测方法

权利要求书

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(w¹x_c(k)+w²(u(k-1))) (1)

x_c(k)＝αx_c(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，x_c(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：

M=m+n+a---(4)]]>

M≤4m(n+3)+1---(5)]]>

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。

3.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，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。

4.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，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：

U=u-uminumax-umin---(6)]]>

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，u_max为监测数据的最大值，取实际监测数据最大值的1.25倍，u_min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＝y_min+y(y_max-y_min) (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，y_max为实际输出值的最大值，y_min为实际输出值的最小值。