[发明专利]一种基于GA算法和BP神经网络的滑坡变形预测方法

说明书

本发明提供了一种基于GA算法和BP神经网络的滑坡变形预测方法，包括：获取滑坡变形监测数据，并进行预处理；将预处理后的滑坡变形监测数据分为训练样本数据和预测样本数据；采用GA算法优化BP神经网络的网络结构；将所述训练样本数据输入至所述BP神经网络，并采用GA算法对所述BP神经网络进行训练，获得最优网络结构；将所述预测样本数据输入至训练后的BP神经网络进行滑坡变形预测，获得预测结果；该方法能够有效提高滑坡变形预测结果的准确性。

技术领域

本发明涉及滑坡预测技术领域，尤其涉及一种基于GA算法和BP神经网络的滑坡变形预测方法。

背景技术

滑坡的变形预测方法已从简单地绘制滑坡滑动的变形曲线定性分析滑坡的发展趋势，发展到采用一定的数学模型来预测滑坡的定量变形发展过程。近年来，非线性方法被大量地运用到滑坡的变形预测上，在众多的非线性算法中，BP神经网络以其操作简单、学习能力强的能力而备受人们青睐。然而，BP神经网络在实际应用中多是基于实践经验确定结构参数，造成BP神经网络预测结果精度不高。

发明内容

本发明的目的在于针对上述现有技术中的BP神经网络对于滑坡变形的预测结果精度不高的问题，提出一种基于GA算法和BP神经网络的滑坡变形预测方法，能够有效提高BP神经网络预测结果的精度。

一种基于GA算法和BP神经网络的滑坡变形预测方法，包括：

获取滑坡变形监测数据，并进行预处理；

将预处理后的滑坡变形监测数据分为训练样本数据和预测样本数据；

采用GA算法优化BP神经网络的网络结构；

将所述训练样本数据输入至所述BP神经网络，并采用GA算法对所述BP神经网络进行训练，获得最优网络结构；

将所述预测样本数据输入至训练后的BP神经网络进行滑坡变形预测，获得预测结果。

进一步地，所述滑坡变形监测数据包括一段时期内每一天的坡体的变形值。

进一步地，对所述滑坡变形监测数据进行预处理，包括：剔除所述滑坡变形监测数据中存在的粗差。

进一步地，采用GA算法优化BP神经网络的网络结构，包括：

设定GA算法的相关参数值；

按种群大小随机生成BP神经网络的输入层神经元个数、隐含层节点数以及隐含层数并进行编码，形成GA算法中的染色体种群；

将每个染色体作为一组网络结构组成进行BP神经网络训练计算，训练结果均方误差作为GA算法的适应度函数；

计算种群中每个染色体的适应度值，根据精英数目和选择算法将适应度值小于预设阈值的染色体留存，进行交叉和变异计算，得到新一代的染色体种群；

对新一代染色体种群重复计算适应度值并进行选择、交叉、变异计算至符合收敛条件，得到最优染色体；

对所述最优染色体解码得到最优的BP神经网络输入层神经元个数、隐含层节点数以及隐含层数。

进一步地，所述收敛条件为达到适应度函数误差限值或者最大遗传代数或者停滞代数。

进一步地，所述GA算法的相关参数值包括种群大小、最大遗传代数、停止代数、精英数目、交叉概率和适应度函数误差。

进一步地，采用GA算法对所述BP神经网络进行训练，获得最优网络结构，包括：

将BP神经网络训练得到的误差作为适应度值；

对所述训练样本数据中的个体进行选择、交叉、变异操作，并计算适应度；

当适应度满足结束条件时，获得最优网格结构。