[发明专利]基于DPSO-ANFIS的弃渣坝变形预测方法

说明书

本发明公开了基于DPSO‑ANFIS的弃渣坝变形预测方法，包括以下步骤：步骤1、监测弃渣坝原始数据，对原始数据进行预处理；步骤2、搭建自适应模糊神经网络系统，对系统中的网络参数进行赋值；步骤3、对步骤2中自适应模糊神经网络的参数进行寻优；步骤4、将步骤1预处理后的弃渣坝数据代入自适应模糊神经网络中进行训练和预测，此时，自适应模糊神经网络中参数经过步骤3得到最优，计算预测精度值，对比不同位置测点的预测效果。本发明的预测方法具有较高的精确度、良好的泛化性与可靠的稳定性，工程实用综合性能较优。

技术领域

本发明属于弃渣坝变形预测技术领域，具体涉及基于DPSO-ANFIS的弃渣坝变形预测方法。

背景技术

随着社会经济发展，现代水利工程技术不断革新，修建水库大坝成为当前水利工程内容的主体。利用大坝实际监测数据建立变形预测模型是对大坝进行有效安全监控的手段，对监控大坝安全运行具有重要意义。针对具有复杂非线性特征的大坝变形监测数据，自适应模糊神经网络系统(Adaptive Network-basedFuzzy Inference System，ANFIS)具有结构和参数辨识的特点，自适应生成模糊规则，优化隶属和输出函数。依据输入影响因素，可自动设计系统参数，实现模糊系统自学习，对非线性系统有较好的适用性，在大坝安全监控方面有良好应用前景。目前自适应模糊神经网络在大坝变形预测领域应用较多，但是仍存在着自适应模糊神经网络适应度参数寻优困难、大坝变形预测方法预测精度较低、泛化性能差的问题。

发明内容

本发明的目的是提供基于DPSO-ANFIS的弃渣坝变形预测方法，解决了现有弃渣坝变形预测方法在精确度低、泛化性能差的问题。

本发明所采用的技术方案是，基于DPSO-ANFIS的弃渣坝变形预测方法，具体包括以下步骤：

步骤1、监测弃渣坝原始数据，对原始数据进行预处理；

步骤2、搭建自适应模糊神经网络系统，对系统中的网络参数进行赋值；

步骤3、对步骤2中自适应模糊神经网络的参数进行寻优；

步骤4、将步骤1预处理后的弃渣坝数据代入自适应模糊神经网络中进行训练和预测，此时，自适应模糊神经网络中参数经过步骤3得到最优，计算预测精度值，对比不同位置测点的预测效果。

本发明的特点还在于，

步骤2具体为：

步骤2.1、首先搭建自适应模糊神经网络，然后将步骤1预处理后的弃渣坝数据作为数据样本输入到自适应模糊神经网络的第一层输入层，进行模糊化处理，输出对应的隶属度；

式中，为对应节点的隶属度；

其中，μA_i(x),μB_j(y)分别为输入变量对应的隶属度函数；i、j分别为自适应模糊神经网络中有结点函数的自适应结点，选取钟型隶属度函数，将公式(3)和(4)代入分别公式(1)和(2)得到隶属度

步骤2.2、通过步骤2.1得到的隶属度，计算出每条规则的适应度，把第一层得到的隶属度作为第二层模糊规则层的输入信号，然后将输入信号进行累乘得到第二层的输出结果即适应度值；

式中，O_i²为对应规则的适应度值，ω_i为第i条规则的激励强度；

步骤2.3、选择ANFIS初始参数，通过聚类方法对自适应模糊神经网络的参数进行赋值。