亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遺傳算法的小波神經(jīng)網(wǎng)絡模型預測大壩變形

        2017-08-01 00:21:15蔣園園盧獻健鄭中天劉海鋒
        地理空間信息 2017年7期
        關鍵詞:小波適應度大壩

        蔣園園,盧獻健,鄭中天,劉海鋒

        (1.桂林理工大學 測繪地理信息學院,廣西 桂林541004;2.廣西空間信息與測繪重點實驗室,廣西 桂林541004)

        基于遺傳算法的小波神經(jīng)網(wǎng)絡模型預測大壩變形

        蔣園園1,2,盧獻健1,2,鄭中天1,2,劉海鋒1,2

        (1.桂林理工大學 測繪地理信息學院,廣西 桂林541004;2.廣西空間信息與測繪重點實驗室,廣西 桂林541004)

        為了提高大壩變形的預測精度,提出一種基于遺傳算法的小波神經(jīng)網(wǎng)絡模型。首先通過對BP神經(jīng)網(wǎng)絡隱含層神經(jīng)元的替換,彌補了網(wǎng)絡易收斂于局部極小點的缺陷,增強了函數(shù)逼近能力,進而建立了小波神經(jīng)網(wǎng)絡大壩預測模型;再利用該模型對大壩變形訓練集進行學習,并運用遺傳算法選取全局最優(yōu)參數(shù)。該方法充分利用了小波神經(jīng)網(wǎng)絡強大的非線性預測能力和遺傳算法的全局優(yōu)化搜索功能,彌補了BP神經(jīng)網(wǎng)絡存在的理論缺點。將其與小波神經(jīng)網(wǎng)絡、BP神經(jīng)網(wǎng)絡進行比較,實驗結果表明該方法具有更優(yōu)的局部預測值、更高的全局預測精度,適用于復雜的大壩變形預測。

        大壩變形;小波神經(jīng)網(wǎng)絡;遺傳算法;參數(shù)優(yōu)化

        對大壩變形進行預測,有利于及時地對大壩潛在的危險進行排除,然而大壩變形受多種因素影響,變化較復雜且具有非線性。目前國內(nèi)外已研發(fā)多種模型可用于非線性變化的仿真與預測,主要包括:支持向量機模型、灰色預測模型、神經(jīng)網(wǎng)絡模型等[1]。但是單一的模型預測精度往往不高,特別是灰色預測模型,當預測非線性數(shù)據(jù)變化時,其精度將大幅降低,不適于預測復雜的大壩變形。在非線性預測方面,比較成功的模型是神經(jīng)網(wǎng)絡,其中較為常用的是BP神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡通常指基于誤差反向傳播算法(BP算法)的多層前向神經(jīng)網(wǎng)絡[2]。與感知器和線性神經(jīng)網(wǎng)絡不同的是,BP神經(jīng)網(wǎng)絡中采用具有閾值特性的Sigmoid函數(shù)作為神經(jīng)元的激發(fā)函數(shù),可實現(xiàn)輸入與輸出間的任意非線性映射,系統(tǒng)地解決了多層神經(jīng)元網(wǎng)絡中隱含單元層連接權的問題。但該方法存在訓練速度慢、時間長、且很容易陷入局部極小點,無法保證每次訓練的收斂結果是最優(yōu)等缺點。為改善BP神經(jīng)網(wǎng)絡的性能,1992 年 ZHANG Q H[3]等提出了小波神經(jīng)網(wǎng)絡的概念和算法。小波神經(jīng)網(wǎng)絡是用非線性小波基取代Sigmoid函數(shù)作為激活函數(shù),利用仿射變換建立小波變換與網(wǎng)絡系數(shù)之間的連接,并應用于函數(shù)逼近,從而縮短了模型的訓練時間,提高了訓練速度,有效避免了局部最小。然而小波神經(jīng)網(wǎng)絡是采用梯度法對網(wǎng)絡參數(shù)進行優(yōu)化,難以適應大壩變形隨機性和時變性的特點,且存在易陷入局部極小點和引起振蕩效應等不足[4]。遺傳算法在搜索中不易陷入局部最優(yōu),能在許多局部較優(yōu)中找多全局最優(yōu)點,并沿多種路線進行平行搜索,因此利用它來解決小波神經(jīng)網(wǎng)絡參數(shù)優(yōu)化問題,能較好地彌補梯度法的不足,提高大壩變形的預測精度[5-6]。本文將通過數(shù)據(jù)評估該組合模型的可行性和有效性。

        1 基于遺傳算法的小波神經(jīng)網(wǎng)絡預測模型

        1.1 小波神經(jīng)網(wǎng)絡

        小波神經(jīng)網(wǎng)絡是基于小波分析而構造的一類新型前饋網(wǎng)絡,其基本思想是利用小波元代替神經(jīng)元,通過小波分解來建立小波變換與神經(jīng)網(wǎng)絡的連接。小波神經(jīng)網(wǎng)絡結構的確定主要是確定隱含層節(jié)點個數(shù)[7],即在平方可積函數(shù)空間中,選擇小波基函數(shù)個數(shù)。小波變換是一 種變分辨率的時頻分析方法,通過尺度伸縮和平移對信號進行多尺度分析,得到的級數(shù)具有小波變換一般逼近函數(shù)的性質(zhì)和分類特征,且由于引入了兩個新參數(shù)變量(伸縮因子和平移因子),使其具有更靈活的函數(shù)逼近能力以及更強的模型識別能力和容錯能力。

        理論上可以證明3層神經(jīng)網(wǎng)絡即可實現(xiàn)任意復雜的非線性映射問題,因此采用一個隱含層的3層小波神經(jīng)網(wǎng)絡建立預測模型,可達到較好的預測精度。3層小波神經(jīng)網(wǎng)絡結構如圖1所示。

        圖1 小波神經(jīng)網(wǎng)絡結構圖

        小波神經(jīng)網(wǎng)絡結構可表示為:

        式中,M為輸入層神經(jīng)元個數(shù);K為隱含層結點個數(shù);N為輸出層神經(jīng)元個數(shù);xk為輸入層的第k個輸入神經(jīng)元;yk為輸出層的第k個輸出神經(jīng)元;Wjk為隱含層節(jié)點j與輸入層節(jié)點k的連接權值;Wij為輸出層節(jié)點i與隱含層節(jié)點j的連接權值;aj、bj分別為隱含層節(jié)點j的伸縮和平移系數(shù)。

        小波網(wǎng)絡中的小波函數(shù)采用的Morlet小波函數(shù),即

        輸出層神經(jīng)元函數(shù)Sigmoid為:

        1.2 基于遺傳算法的小波神經(jīng)網(wǎng)絡

        遺傳算法是一種基于自然選擇和基因遺傳學原理的優(yōu)化搜索方法,不需要有關體系的任何先驗知識;沿多種路線進行平行搜索,不易陷入局部極小;也能在許多局部較優(yōu)中找到全局最優(yōu)解,且搜索不依賴于梯度信息,是一種全局最優(yōu)化方法?;谶z傳算法的小波神經(jīng)網(wǎng)絡的基本思想是:由于遺傳算法的優(yōu)化過程是在一定編碼機制的碼空間進行的,因此需先選擇編碼方式,再對小波網(wǎng)絡中的權值、伸縮因子和平移因子等參數(shù)進行編碼。在N個遵循這種編碼的染色中,構造遺傳算法的初始種群;然后用小波神經(jīng)網(wǎng)絡對初始種群進行訓練,計算它們的適應度函數(shù)值;若達到最大進化代數(shù),則終止循環(huán),若不滿足終止條件則繼續(xù)循環(huán);最后得到適應度最大的染色體,繼而轉(zhuǎn)化成相應的權值、閾值以及隱含層節(jié)點的伸縮、平移算子。采用遺傳算法對小波神經(jīng)網(wǎng)絡進行優(yōu)化的步驟為(圖2)。

        1)設計染色體編碼方式,即將問題的解用一種碼來表示,使得問題的空間與遺傳算法的碼空間相對應,一般采用二進制編碼方式。

        2)種群初始化,對每個結構對應的小波網(wǎng)絡中的Wjk、Wij、aj和bj進行初始化編碼;確定種群規(guī)模、交叉概率、變異概率、最大進化代數(shù);在可行域中選擇p 條染色體,構成初始種群。

        3)根據(jù)訓練的結果確定每個個體的適應度值。適應度值函數(shù)公式為:

        4)判斷是否滿足遺傳算法終止條件,滿足則轉(zhuǎn)向步驟8),進入小波網(wǎng)絡優(yōu)化搜索。

        5)選擇優(yōu)秀的個體進行復制,根據(jù)染色體各自的適應度值,判斷染色體是否直接遺傳給下一代。個體適應度值越大,越容易被遺傳給下一代。

        6)交叉,在進行交叉運算時,采用線性組合的方式。按照一定的概率Pc從復制過的種群中隨機選擇兩 個個體進行交叉,隨機選擇交叉位置k,交換兩個基因串位置k右邊的部分,產(chǎn)生兩個新的個體。其自適應調(diào)整公式為:

        圖2 遺傳算法優(yōu)化BP小波神經(jīng)網(wǎng)絡流程圖

        式中,k1、k2為取值范圍為[0,1]的常數(shù);fc'為待交叉的兩個父串中的較大適應度值;fmax為種群最大適應度值;favg為種群平均適應度值。

        7)變異,對于種群中每個個體,以變量概率Pm隨機改變某一分量的值。

        8)種群是否達到最大進化代數(shù),若未達到則轉(zhuǎn)向步驟4),否則此時種群中適應度值最大的個體所對應的目標函數(shù)值,即為全局最優(yōu)解。

        9)將最終種群中的最優(yōu)解作為優(yōu)化的小波神經(jīng)網(wǎng)絡連接權和伸縮平移因子。

        10)采用最優(yōu)參數(shù)建立基于遺傳算法的小波神經(jīng)網(wǎng)絡模型。

        2 算例分析

        2.1 數(shù)據(jù)來源

        [8]中某大壩水平位移變形監(jiān)測數(shù)據(jù)為例,基于水平位移監(jiān)測點20個周期的沉降量與時間的曲線圖,根據(jù)其變化趨勢選取D4的監(jiān)測點作為計算對象(圖3)。

        由圖3可知,1~5期和8~14期該大壩水平位移變化較平穩(wěn),而5~8期和14~20期波動幅度大,在第7期達到峰值后又急劇下降,在14~20期呈非線性增長趨勢,在第19期達到本次觀測的最大峰值為15.6 mm。目前該觀測區(qū)進行了20期觀測,選擇前10 期作為訓練樣本,實現(xiàn)對小波神經(jīng)網(wǎng)絡參數(shù)的訓練,建立基于遺傳算法的小波神經(jīng)網(wǎng)絡大壩變形預測模型;以后10期作為測試集對模型性能進行檢驗。所有實驗均在P4 4核2.4 CPU,4GRAM,Windows7 64位的計算機上進行,采用Matlab 2010b編程實現(xiàn)。

        圖3 大壩變形水平位移序列

        2.2 對比模型及預測結果

        為驗證基于遺傳算法的小波神經(jīng)網(wǎng)絡模型在大壩預測中的可行性,本文設計了3種方案進行算例比較:方案1為BP神經(jīng)網(wǎng)絡,方案2為小波神經(jīng)網(wǎng)絡,方案 3為基于遺傳算法的小波神經(jīng)網(wǎng)絡。為了使基于遺傳算法的小波神經(jīng)網(wǎng)絡的預測結果具有可比性,3種方案均采用傳統(tǒng)的標準模式進行對比實驗,小波函數(shù)選擇Morlet小波,訓練次數(shù)為60,動量因子為0.01,小波隱含層節(jié)點為5;遺傳算法的交叉概率為0.3,變異概率為0.1,最大進化代數(shù)為10。待優(yōu)參數(shù)為 aj、bj、Wjk、Wij,因此遺傳算法的個體維數(shù)為4。為了評價模型的預測精度,選取平均絕對值誤差(MAE)、均方根誤差(RMSE)作為評價依據(jù)。其計算公式為:

        BP神經(jīng)網(wǎng)絡采用傳統(tǒng)標準模型,小波神經(jīng)網(wǎng)絡采用Morlet小波,基于遺傳算法的小波神經(jīng)網(wǎng)絡種群規(guī)模設置為10~20期。當種群數(shù)量為10時,采用上述參數(shù)設置的模型進行預測,實驗結果如表1所示。

        由表1可知,方案1的預測精度較低,大部分預測值和實際值偏差較大,16~20期的預測結果尤為明顯。方案1的最大殘差值為-5.03 mm;方案2和方案 3的預測精度均較為穩(wěn)定,方案2的最大殘差值為1.59 mm;方案3的預測精度明顯高于前兩種方案,最大殘差值為-1.36 mm,最小殘差值為0.01 mm,最大值出現(xiàn)在第19期,其值比往期要大很多,出現(xiàn)了跳變,這是因為第19期的大壩變形值比往期突增了許多,樣本的變化趨勢在該期不明顯。由于大壩變形預測本身具有復雜性,且預測模型存在自身缺點,很難做到預測趨勢與實際變化完全擬合,若要減少第19期的殘差預測值,則只能考慮加大學習樣本種群,經(jīng)過充分學習,使之能更完美地與實際擬合。另一方面,綜合3種模型分析,其殘差最大值均出現(xiàn)在第19期,而在該期方案3仍然是3種方案中預測殘差最小的,這說明通過遺傳算法優(yōu)化的效果仍是有效的。綜上所述,對于非線性波動幅度較大的大壩變形序列,BP神經(jīng)網(wǎng)絡模型未能達到很好的預測結果,得到的預測值相較于方案2和方案3誤差較大。小波神經(jīng)網(wǎng)絡的預測精度比BP神經(jīng)網(wǎng)絡提高了很多,但與基于遺傳算法的小波神經(jīng)網(wǎng)絡相比精度較低?;谶z傳算法的小波神經(jīng)網(wǎng)絡具有更好的逼近效果,在3種模型中預測效果最好。此外,在基于遺傳算法的小波神經(jīng)網(wǎng)絡的大壩預測建模中,訓練的次數(shù)由原來的350次變?yōu)?20次,大大減小了二次優(yōu)化訓練的次數(shù),減小了小波神經(jīng)網(wǎng)絡的計算復雜度,提高了收斂速度。

        表1 各模型計算結果對比/mm

        為進一步評定算法的優(yōu)越性,采用RMSE和MAE兩項指標進行評定,見表2。

        表2 各模型精度對比/mm

        由表2可知,BP神經(jīng)網(wǎng)絡的預測精度最差,RMSE=2.29 mm,MAE=1.63 mm;小波神經(jīng)網(wǎng)絡的精度優(yōu)于BP神經(jīng)網(wǎng)絡;相較于小波神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡,基于遺傳算法的小波神經(jīng)網(wǎng)絡對大壩變形監(jiān)測的誤差最小,預測精度相對最高,RMSE、MAE分別為0.47 mm和0.23 mm。圖4為3種模型在后10期預測中擬合值和實測值的曲線圖,可以看出,基于遺傳算法的小波神經(jīng)網(wǎng)絡具有良好的擬合度,其預測值更接近大壩變形的實測值。由此可見,基于遺傳算法的小波神經(jīng)網(wǎng)絡模型在非線性大壩變形預測中具有較高的預測精度。

        圖4 基于遺傳算法的小波神經(jīng)網(wǎng)絡的預測和實際大壩變形曲線

        3 結 語

        由于大壩變形數(shù)據(jù)具有時變性和非線性的特點,本文將遺傳算法和小波神經(jīng)網(wǎng)絡相結合的補償算法引入大壩變形短期預測中。經(jīng)理論和算例分析,并與BP神經(jīng)網(wǎng)絡和小波神經(jīng)網(wǎng)絡進行對比,結果表明:BP神經(jīng)網(wǎng)絡由于自身收斂速度慢和容易陷入局部極小值,難以解決復雜的非線性變化;小波神經(jīng)網(wǎng)絡的預測數(shù)據(jù)和實測數(shù)據(jù)較為接近,說明小波神經(jīng)網(wǎng)絡具有較強的非線性預測能力。本文在小波神經(jīng)網(wǎng)絡的基礎上引入遺傳算法,先利用遺傳算法的全局搜索能力找出小波神經(jīng)網(wǎng)絡優(yōu)化的初始權值和閾值,再用神經(jīng)網(wǎng)絡精確求解,克服了梯度法對網(wǎng)絡參數(shù)進行優(yōu)化的缺點以及實驗數(shù)據(jù)易陷入局部極小點和引起振蕩效應等不足;且預測精度優(yōu)于前兩種模型,說明該模型在處理大壩變形數(shù)據(jù)時具有較高的精確度和擬合度。

        參考文獻

        [1]任超,梁月吉,龐光鋒,等.基于灰色最小二乘支持向量機的大壩變形預測[J].大地測量與地球動力學,2015,35(4):608-612

        [2]羅勝琪. BP 算法的改進與性能分析[J].中國科技博覽, 2011(33):408-409

        [3]ZHANG Q H, Benveniste A. Wavelet Networks[J]. IEEE Transactions on Neural Networks,1992,3(6):889-898

        [4]趙學智,鄒春華,陳統(tǒng)堅,等.小波神經(jīng)網(wǎng)絡的參數(shù)初始化研究[J].華南理工大學學報(自然科學版),2003(2):77-79

        [5]李華昌,謝淑蘭,易忠勝.遺傳算法的原理與應用[J].礦冶, 2005,14(1):87-90

        [6]梁月吉,任超,劉立龍,等.基于EMD和GA-BP神經(jīng)網(wǎng)絡的大壩變形預測[J].桂林理工大學學報,2015,35(1):111-116

        [7]馬文靜.基于遺傳算法小波神經(jīng)網(wǎng)絡的電力變壓器故障診斷[J].自動化技術與應用,2008,27(12):17-19

        [8]焦明連,蔣廷臣.基于小波分析的灰色預測模型在大壩安全監(jiān)測中的應用[J].大地測量與地球動力學,2009,29(2):115-117

        P258

        B

        1672-4623(2017)07-0099-03

        10.3969/j.issn.1672-4623.2017.07.030

        蔣園園,碩士研究生,主要從事GPS高精度數(shù)據(jù)處理研究工作。

        2016-04-20。

        項目來源:國家自然科學基金資助項目(41461089);廣西自然科學基金資助項目(2014GXNSFAA118288);廣西“八桂學者”崗位專項經(jīng)費資助項目;廣西空間信息與測繪重點實驗室基金資助項目(桂科能1207115-07、桂科能130511407)。

        猜你喜歡
        小波適應度大壩
        改進的自適應復制、交叉和突變遺傳算法
        計算機仿真(2022年8期)2022-09-28 09:53:02
        構造Daubechies小波的一些注記
        科技風(2021年19期)2021-09-07 14:04:29
        基于MATLAB的小波降噪研究
        電子制作(2019年13期)2020-01-14 03:15:32
        大壩:力與美的展現(xiàn)
        百科知識(2018年6期)2018-04-03 15:43:54
        基于改進的G-SVS LMS 與冗余提升小波的滾動軸承故障診斷
        幫海貍建一座大壩
        大壩
        基于空調(diào)導風板成型工藝的Kriging模型適應度研究
        中國塑料(2016年11期)2016-04-16 05:26:02
        基于FPGA小波變換核的設計
        電測與儀表(2014年8期)2014-04-04 09:19:38
        少數(shù)民族大學生文化適應度調(diào)查
        亚州无线国产2021| 午夜裸体性播放| 国产精品老熟女露脸视频 | 天天躁日日躁狠狠躁人妻| 丰满少妇又紧又爽视频| 三个黑人插一个女的视频| 极品少妇xxxx精品少妇偷拍| 亚洲精品无码久久久久久| 久久福利青草精品资源| 99视频偷拍视频一区二区三区| 国产精品无码制服丝袜| 美女又色又爽视频免费| 国产亚洲精品A在线无码| 亚洲一区二区三区资源| 漂亮人妻洗澡被公强 日日躁| 东京热加勒比无码少妇| 欧美高清视频一区| 日本91一区二区不卡| 男人的天堂中文字幕熟女人妻| 国产成人综合在线视频| 成人综合久久精品色婷婷| av新型国产在线资源| 精品乱码一区内射人妻无码| 国产98在线 | 免费| 日本草逼视频免费观看| 亚洲丝袜美腿在线视频| 免费久久人人爽人人爽av| 色综合久久综合欧美综合图片| 小草手机视频在线观看| 国产麻花豆剧传媒精品mv在线| 中日韩精品视频在线观看| 人妻有码中文字幕在线不卡| 99久久婷婷亚洲综合国产| 18禁黄网站禁片免费观看女女 | 精品无吗国产一区二区三区av| 五月婷婷开心五月播五月| 中文字幕亚洲综合久久菠萝蜜| 无码人妻丰满熟妇精品区| 日本视频一区二区二区| 国产人成视频在线视频| 成人欧美一区二区三区a片|