池州市规划勘测设计总院有限公司 安徽省池州市247000
摘要:以某建筑物基坑观测数据为例,开展了小波及粒子群优化的BP神经网络预计模型的研究。使用小波阈值去噪方法对实际观测时间序列进行去噪处理,对小波去噪前后的数据进行BP神经网络预测模型预测处理并与粒子群优化的BP神经网络预测模型预测数据进行对比分析,结果表明粒子群优化的BP神经网络预测模型预测精度较高。
关键词:粒子群优化;小波分析; BP神经网络;基坑变形预测
0 引言
随着城市化的加快,地球空间资源相对短缺的问题变得更加严重。开发地下空间的城市基础设施是解决这一问题的一种不可避免的做法。在建筑过程中,由于原始固体层压力的变化,一个被毁的坑场的周围已稳定下来,不可避免地导致地面着陆和变形。为了确保项目的顺利运作以及人民和社会财产的安全,有必要对变形现象进行良好的监测,以便取得变形方面的硕士学位、灾害预报和预警。许多国内外科学家已经进行了许多研究和分析,以根据其本国的实际情况扭曲该模型。所有专家和科学家都做了一些神经网络研究,以预测每个项目的验证模型。一般结论是,神经元预测模型的准确度扭曲了预测。在本文件中,本研究的目标是在特定城市建立一个洞机构,利用时间序列减少干扰的时间序列调整为基础的波波理论,并在自带者进入神经网络、神经网络和bb进入神经网络模型预测网络之前和之后减少数据干扰。结果显示,粒子群的神经网络模型与这些的粒子群具有最大的预测准确度和偏差,随着时间预测的增加而增加。是根据数据干扰波建立的神经网络。预测准确度比基于原始监测数据的神经网络模型要好。
1 粒子群优化的BP神经网络原理
在典型的粒子群中,每个粒子的位置都代表当前重复中的神经网络的一组重量,在每一粒子之后,确定了在神经网络连接方面发挥作用的若干重量和阈值。颗粒物在寻找空间重量的过程中移动,由此产生的误差使网格层最小化,改变粒子的速度,也就是使质量网络现代化,以减少误差的平均平方。
1.1 参数控制
(1) 大多数神经网络都使用由三层组成的神经网络:输入层,一个层和输出层。假设num是合同的的一些条目和产出。为了确定隐藏层层的合同数量可采用如下所计算方法,该公式是经验公式,通过合理的确定隐含层节点个数来提高学习效率与增强学习样本能力。
(1)
其中, 为隐层节点数,
为1~10之间的数常数。
(2)粒子的惯性权重w采用线性递减方式,具体如式(6)所示,而加速因子和
采用前期工作提出的调整策略,具体如式(7)和(8)所示
(2)
(3)
(4)
其中。为当前迭代次数,
,
,
为总迭代代数,
,
,
,
。
(3)适应度函数
因为BP神经网络是一种神经网络的营养,错误是将一层转移到另一层,以纠正各层之间的重量和阈值,直到接近。
(5)
其中,Q代表训练样本数,y代表神经元输出的实际值,t代表神经元的期望值。
1.2 组合算法描述
BP神经网络与优化算法的粒子群结合起来,利用全球研究能力来改善神经网络的线性结构,将重量和阈值联系起来,并将良好的神经网络能力与本地研究算法的良好能力结合起来,以更好地传播从神经网络学习的能力,从而提高神经网络全球研究的效率。 本文将二者结合的模型称之为PSO-BP神经网络模型。详细组合算法流程如下所示。
(1)首先,为了确定pb粒子群模型参数,神经网络必须首先根据确定粒子群若干尺寸的结构设计设计,包括一个层、一层的投入物。确定粒子群模型中的适应度函数。
(2)将粒子群中的各维度中粒子进行初值设置。
(3)在BP神经网络中的权值与阈值确定过程中,为搜寻最优值,本文将粒子群中的适 应度函数涉及到的最小值作为粒子个体的极值。利用全局最小粒子定为全局最小值, 通过不断迭代完成之后的适应度函数中的粒子对应的位置,就为权值与阈值的最优初 始值。
(4)将上一步骤确定的权值与阈值最优初始值引入到BP神经网络模型中,进行模型的 预测工作,达到预测效果时,即为最终预测结果。
2 实例应用
2.1项目概况
2021年7月10日开始对某高层建筑物基坑进行监测工作,目的是按照相关测量规范和设计的要求对该基坑进行变形监测,通过在被监测对象上布设变形监测点,对其进行定期监测,及时掌握基坑和抗滑桩的平面位移、沉降位移及应力变化情况,分析其变形规律和变形趋势,为煤矿的安全建设和运营提供保障。截止至2021年4月30日,共完成监测工作81次。
2.2数据获取
测量技术人员在场地周边稳定区域布设了4个监测基准点和4个工作基点,并在后排抗滑桩的顶部位置布设了66个变形监测点。对基坑变形监测项目使用高精度的TS60全自动测量机器人,按照作业指导文件中规定的操作来进行外业测量,在合乎观测过程中获取每个变形监测点的沉降数值。从2019年11月17日至2021年4月30日,总计外业获取了81期的观测数据,其中以“40”号监测点为例。
2.3小波去噪在基坑监测中的实例
对该煤矿基坑监测数据进行建模处理,其中小波基函数中软阈值与硬阈值函数的选择时,不同阈值具有不同的调整方式scal=min、scal=one和scal=sln,用于分析测量数据的两种基本函数。通过比较不同波基本功能的平均误差与噪声信号比(偏差)进行比较,结果发现,从系统4基函数的噪声信号比(偏差比)分解1层,软阈值,加点= SLN,中误差方根较小。分别选取不同的基函数,导致不同的均方根误差。
由统计数据可获知,rigrsure阈值函数去噪效果中均方跟误差为0.057,信噪比数值为43.244。由表格中数据对比可知rigrsure阈值函数均方根误差最小,信噪比数值最大。综上所述rigrsure阈值函数去噪效果最好,所以在对基坑观测数据去噪处理中,选择rigrsure阈值函数进行去噪处理大大增强了BP神经网络模型的预测效果。
2.4 BP神经网络模型训练
本小节以基坑监测线上监测点“40”号的81期观测沉降数据为例,在BP神经网络中训练形成的响应函数,阈值等相较于训练样本的四舍五入一个非常强大的能力,但数据预报能力非常薄弱,这种现象被称为“太适合”现象。考虑到这一现象在预测模型中造成的困难,本文件将81个监测期的监测数据分别分为三组样本、培训、核查和取样。神经网络模型可以判断网络网络是否接近或不取决于通过网络培训对样本进行验证。BP神经网培训:一个由70个数据校正期组成的样本。然后,模拟实验在70个点的第一个期间进行,而模拟结果与本摘要所培训的神经网络模型的原始曲线一致,可用于预测调整。与此同时,正在使用减少数据干扰波对神经网络模型进行培训。最后,英国广播公司培训的神经网络模型和减少电波干扰是分别用于预测这一点最后11个数据阶段的模型。
2.5 粒子群优化的BP神经网络应用
本小节采用观测线上“40”号监测点沉降观测数据为例,采用PSO-BP神经网络预测模型进行预计工作。首先选取前70期沉降观测数据序列进行小波去噪工作,随后,预计监测数据进入11个下降阶段。psop -bp的预期结果是将与测量值的比较模型、神经网络模型和bb神经网络模型相结合。
由试验可知,早期阶段神经网络的bb值比pp -bp更低,同时减少了电波干扰。随着预测期的增加,pp和pp(神经网络)和pp(神经网络)逐渐减少波干扰,远离实际控制。同时小波去噪的PSO-BP神经网络模型预测值与实际观测值偏差较小且稳定,说明了小波去噪的PSO-BP神经网络模型不但适用于短期预测,也同样适用于长期预测。
3 结论
为了克服神经网络预测模型的传统缺陷,将各种模型的分子群结合起来,并减少维波干扰算法,我们得到了psop -bp神经网络模型。将该模型与采矿区井眼机构测量的数据相结合,进行预测和分析。结果显示,在短期、中期和长期预测中,神经网络模型的预测准确度优于传统的神经网络模型。在以后的工作中尝试利用该组合模型应用在其他领域的沉降预测工作。
参考文献
[1] 鄢士程,解广成,辛全明,王振霖.多监测条件下地铁明挖车站周边地表沉降预测分析[J