[发明专利]滑坡变形的Elman神经网络动态预测方法

说明书

技术领域

本发明涉及滑坡预测技术领域，特别是涉及滑坡变形的Elman神经网络动态预测方法。

背景技术

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。

发明内容

本发明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(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。

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，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。

本发明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发明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发明的一些实施例，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；