[发明专利]一种基于FNN神经网络与自回归模型的基坑沉降预测方法

权利要求书

1.一种基于FNN神经网络与自回归模型的基坑沉降预测方法，其特征在于包括以下步骤：

S1：获取基坑沉降监测数据，以三次样条内插法将沉降观测序列内插为每半日一个沉降量的等时间间隔序列，并以前四期观测值为输入、后一期观测值为输出，构造训练样本和检验样本；

S2：利用S1中得到的训练样本，构建自回归模型，并计算自回归模型的后一期沉降预测值；

所述步骤S2中自回归模型如公式(1)所示：

x_n＝β₀+β₁x_n-1+β₂x_n-2+β₃x_n-3+β₄x_n-4    (1)

其中，x_n为后一期的沉降量观测值，x_n-1、x_n-2、x_n-3、x_n-4为前四期的沉降观测值；以最小二乘法确定待定系数β₀、β₁、β₂、β₃、β₄；记自回归模型计算得到的后一期的沉降量为x′_n；

S3：利用步骤S1中得到的训练样本，确定自回归模型预测结果的残差(RES)；

所述步骤S3中残差(RES)如公式(2)所示：

RES＝x_n-x′_n       (2)

其中，x_n为后一期的沉降量观测值，x′_n为自回归模型计算得到的后一期的沉降量；

S4：构建一个5×5×1的FNN神经网络模型，用来表示前四期的观测值、自回归模型得到后一期沉降预测值和自回归模型预测结果残差(RES)之间的非线性关系；

所述步骤S4中FNN神经网络模型的输入层包括前四期的沉降量观测值x_n-1、x_n-2、x_n-3、x_n-4，自回归模型计算得到的后一期沉降量x′_n；隐含层为5个节点；输出层为自回归模型预测结果的残差(RES)；

S5：利用S1、S2和S3中得到的数据构造FNN模型的训练样本，对FNN模型进行迭代训练；

S6：利用前四期的沉降量观测值x_n-1、x_n-2、x_n-3、x_n-4和自回归模型计算得到的后一期沉降量x′_n，通过S4和S5中训练得到的FNN模型计算自回归模型的残差(RES)，最终计算FNN神经网络与自回归模型得到的后一期的沉降预测值，并对新模型精度进行评定。

2.根据权利要求1所述的基于FNN神经网络与自回归模型的基坑沉降预测方法，其特征在于：步骤S1中的建模数据采用支护桩沉降观测数据，并以三次样条内插得到每半日一个的等间隔沉降观测序列；训练样本的输入为前四期的沉降观测数据，输出为后一期的沉降结果。

3.根据权利要求1所述的基于FNN神经网络与自回归模型的基坑沉降预测方法，其特征在于：步骤S2中的自回归模型采用前四期的沉降观测数据预测后一期的沉降结果。

4.根据权利要求1所述的基于FNN神经网络与自回归模型的基坑沉降预测方法，其特征在于：步骤S4中的FNN网络由输入层、隐含层与输出层组成，其输入层节点数为5，分别代表前四期沉降观测数据和自回归模型预测数据；隐含层节点数为5个；输出层节点数为1个，代表自回归模型的预测误差，激活函数选取Tan-Sigmoid函数，其表达式为：

其中，x为该神经元的输入信号值，f(x)为输出信号值，FNN的目标误差为0.0001mm，最大训练次数为200次，采用梯度下降法进行训练。