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EMD-FOA-BP神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)研究

        2019-05-27 02:05:40黃軍勝黃良珂劉立龍謝劭峰
        水力發(fā)電 2019年2期
        關(guān)鍵詞:變形優(yōu)化模型

        黃軍勝,黃良珂,劉立龍,謝劭峰

        (1.廣西壯族自治區(qū)水利電力勘測(cè)設(shè)計(jì)研究院,廣西南寧530023;2.桂林理工大學(xué)測(cè)繪地理信息學(xué)院,廣西桂林541004;3.廣西空間信息與測(cè)繪重點(diǎn)實(shí)驗(yàn)室,廣西桂林541004)

        大壩變形受水壓、時(shí)效及氣溫等綜合因素影響[1],具有隨機(jī)性與非線性的特點(diǎn),建立大壩變形與影響因子關(guān)系的精確模型較為困難。傳統(tǒng)時(shí)間序列法和回歸分析法的非線性能力不足,且依賴于初始參數(shù),無(wú)法滿足大壩變形預(yù)測(cè)的高精度要求。針對(duì)變形數(shù)據(jù)非線性特點(diǎn),文獻(xiàn)[2]利用小波去噪方法對(duì)大壩變形數(shù)據(jù)進(jìn)行分解,通過(guò)多尺度預(yù)測(cè)分析,有效提高了模型的泛化能力和非線性序列的預(yù)測(cè)精度。但小波分解不具備自適應(yīng)的特點(diǎn),小波函數(shù)與分解尺度通過(guò)經(jīng)驗(yàn)確定,難以實(shí)現(xiàn)最優(yōu)分解。Huang等[3]于1998年提出了一種新的信號(hào)處理方法——經(jīng)驗(yàn)?zāi)B(tài)分解(EMD,empirical mode decomposition),該方法將非線性、非平穩(wěn)信號(hào)自適應(yīng)地分解為有限個(gè)相對(duì)平穩(wěn)的分量,即可對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)化處理。文獻(xiàn)[4-5]將EMD應(yīng)用于變形監(jiān)測(cè)、預(yù)測(cè)中,并通過(guò)與小波分解對(duì)比,可知EMD的數(shù)據(jù)處理過(guò)程更為簡(jiǎn)單直觀,分解的層數(shù)由時(shí)間序列特征自適應(yīng)確定,具備更好的自適應(yīng)能力,為模型預(yù)測(cè)提供了較好的平穩(wěn)環(huán)境。近年來(lái),BP神經(jīng)網(wǎng)絡(luò)在非平穩(wěn)時(shí)間序列建模的應(yīng)用中發(fā)展很快,其具有良好的非線性映射能力、自適應(yīng)能力和學(xué)習(xí)能力[1,6]。但BP神經(jīng)網(wǎng)絡(luò)模型對(duì)大壩變形非平穩(wěn)序列的映射能力不足,且收斂速度慢以及易陷入極值等缺點(diǎn)使預(yù)測(cè)精度不理想。潘文超等提出一種全局尋優(yōu)能力強(qiáng)、收斂速度快的果蠅優(yōu)化算法(FOA,F(xiàn)ruit Fly Optimization Algorithm),算法原理簡(jiǎn)單,受參數(shù)限制小,且具有魯棒性和辨識(shí)精度高等特點(diǎn)[7],能夠優(yōu)化神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu),有效克服網(wǎng)絡(luò)自身缺陷[8,9]。文獻(xiàn)[10]利用FOA優(yōu)化神經(jīng)網(wǎng)絡(luò),彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)先天不足,較快較準(zhǔn)地找到網(wǎng)絡(luò)中最佳平滑因子,與文獻(xiàn)[6,11]利用思維進(jìn)化算法(MEA)和粒子群算法(PSO)優(yōu)化神經(jīng)網(wǎng)絡(luò)一樣,雖然都提高了變形預(yù)報(bào)精度,但在網(wǎng)絡(luò)訓(xùn)練過(guò)程中,較難捕捉學(xué)習(xí)到外部環(huán)境非線性變形量的規(guī)律,致使仿真精度欠佳。基于上述研究,本文將利用EMD對(duì)BP網(wǎng)絡(luò)進(jìn)行外部環(huán)境平穩(wěn)化處理;再利用FOA對(duì)BP網(wǎng)絡(luò)進(jìn)行內(nèi)部?jī)?yōu)化,即利用FOA的全局尋優(yōu)能力強(qiáng)、搜索效率高等特點(diǎn),為BP網(wǎng)絡(luò)提供最優(yōu)初始權(quán)值和閾值,克服網(wǎng)絡(luò)自身缺陷,從而建立EMD-FOA-BP模型,應(yīng)用于大壩變形預(yù)測(cè)。

        1 經(jīng)驗(yàn)?zāi)B(tài)分解原理

        經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)作為一種常用的信號(hào)處理方法,能自適應(yīng)地將非線性、非平穩(wěn)時(shí)間序列的不同特征逐級(jí)分解,得到不同頻率的本征模函數(shù)(IMF)和一個(gè)趨勢(shì)項(xiàng)(B)。分解得到的每個(gè)IMF必須同時(shí)滿足2個(gè)條件[12]:①在待分解信號(hào)中,極值點(diǎn)的數(shù)目與過(guò)零點(diǎn)的數(shù)目相等,或最多相差1個(gè);②在任一時(shí)刻,上包絡(luò)線(局部極大值的包絡(luò))與下包絡(luò)線(局部極小值的包絡(luò))的平均值為0。其分解過(guò)程如下[13]:

        (1)利用三次樣條插值函數(shù),將識(shí)別出的原始信號(hào)Y(t)所有極值點(diǎn)擬合出上包絡(luò)線Vmax(t)和下包絡(luò)線Vmin(t)。

        (2)計(jì)算包絡(luò)線的平均值ω1(t),ω1(t)=Vmax(t)+Vmin(t)/2。

        (3)令原始信號(hào)Y(t)與包絡(luò)線平均值ω1(t)做差,可得D(t),D(t)=Y(t)-ω1(t)。

        (4)依據(jù)IMF的2個(gè)條件,得到第1個(gè)分量。若D(t)滿足條件,則作為第1個(gè)IMF,記為L(zhǎng)1;若不滿足條件,則把D(t)視為新原始信號(hào),重復(fù)步驟(1)~(3),直到滿足IMF條件為止。

        (5)將(4)中所得分量L1從原始信號(hào)Y(t)中分離,得到殘差信號(hào)B1,B1=Y(t)-L1。

        (6)再把B1作為新的原始數(shù)據(jù),重復(fù)步驟(1)~(5),分解得到若干個(gè)IMF,直到Bn成為一個(gè)單調(diào)函數(shù)或者殘余量函數(shù)值小于給定的閾值時(shí),停止分解。此時(shí),原始信號(hào)Y(t)表示為Y(t)=∑ni=1Li+Bn。

        2 果蠅算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

        果蠅優(yōu)化算法意在幫助優(yōu)化主體尋找最優(yōu)解,其原理仿效于果蠅,利用靈敏的嗅覺(jué)器官感知空氣中某種味道,再利用敏銳的視覺(jué)器官到達(dá)目標(biāo)位置。

        FOA優(yōu)化BP網(wǎng)絡(luò)的基本思路[9]是以果蠅個(gè)體的位置代表BP網(wǎng)絡(luò)中的權(quán)值和閾值,初次仿真所得誤差的平方和作為適應(yīng)度函數(shù),再給定每只果蠅隨機(jī)方向與距離,計(jì)算一次迭代中最佳味道濃度的果蠅位置,通過(guò)迭代尋優(yōu),得到全局最佳味道濃度的果蠅位置,即BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值、閾值,其表達(dá)式過(guò)程如下[14]:

        (1)初始化果蠅位置,即(Xi,Yi)=(X0,Y0)。

        (2)給定每只果蠅能夠搜索到最優(yōu)位置的隨機(jī)方向(XF,YF)和距離m,即(Xi,Yi)=(XF+m,YF+m)。

        (3)計(jì)算預(yù)估最佳位置到原點(diǎn)的距離Di,Di=X2i+Y2i,并計(jì)算距離Di的倒數(shù),即味道濃度判定值Si,Si=1/Di。

        (4)將上式中味道濃度判定值Si帶入適應(yīng)度函數(shù)F(味道濃度判定函數(shù)),得到該果蠅個(gè)體所處位置的味道濃度值Ti,Ti=F(Si)。

        (5)搜索果蠅群中濃度最佳的果蠅Gbest(Ti取最小值[14]),即Gbest=min(Ti)。

        (6)果蠅群利用視覺(jué)飛向目標(biāo),求解最佳味道濃度的果蠅位置(Xbest,Ybest),即求解本次迭代最優(yōu)權(quán)值、閾值。

        (7)重復(fù)執(zhí)行步驟(2)~(5),迭代尋找最佳味道濃度,判斷當(dāng)前迭代的最佳濃度是否優(yōu)于前一次的最佳濃度,若是則執(zhí)行步驟(6),更新最優(yōu)權(quán)值、閾值。

        (8)將最優(yōu)權(quán)值、閾值引入BP神經(jīng)網(wǎng)絡(luò)中,進(jìn)行網(wǎng)絡(luò)訓(xùn)練,實(shí)現(xiàn)優(yōu)化目的。

        3 EMD-FOA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

        3.1 模型預(yù)測(cè)流程

        以不同觀測(cè)時(shí)間段的大壩變形值組成一個(gè)時(shí)間序列{X(t),t=1,2,…,m},使用上述EMD對(duì)其進(jìn)行分解得到n個(gè)本征模函數(shù)IMFi(i=1,2,…,n)和1個(gè)余量B。以前w期的大壩變形值為訓(xùn)練樣本,將各IMF和余量B序列,分別建立經(jīng)果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型(FOA-BP),然后對(duì)后(m-w)期進(jìn)行仿真。設(shè)各分量的預(yù)測(cè)值為YIMF1,YIMF2, …,YIMFn,和YB,模型預(yù)測(cè)流程見(jiàn)圖1,則最終的EMD-FOA-BP模型的預(yù)測(cè)值為Y=YIMF1+YIMF2+…+YIMFn+YB。

        圖1 EMD-FOA-BP模型預(yù)測(cè)流程

        3.2 模型精度評(píng)定

        本文利用平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)和平均絕對(duì)百分比誤差(MAPE)進(jìn)行各模型預(yù)測(cè)精度評(píng)定,分別為

        MAE=1n∑nt=1Yt-Y^t

        (1)

        RMSE=1n∑nt=1(Yt-Y^t)2

        (2)

        MAPE=1n∑nt=1Yt-Y^tYt

        (3)

        式中,Yt為實(shí)測(cè)值;Y^t為仿真所得預(yù)測(cè)值;n為觀測(cè)總期數(shù);t為觀測(cè)值對(duì)應(yīng)期數(shù)。

        3.3 算例分析

        以文獻(xiàn)[15]中64期等時(shí)間間隔變形數(shù)據(jù)為試驗(yàn)數(shù)據(jù),其變形趨勢(shì)如圖2所示。對(duì)大壩原始變形序列進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解,分解結(jié)果如圖3所示。

        圖2 大壩變形的實(shí)測(cè)值

        圖3 EMD的多尺度分解結(jié)果

        由圖2的大壩變形時(shí)間序列可知,大壩變形呈明顯的非平穩(wěn)、非線性特征,且伴隨著較強(qiáng)的隨機(jī)性。由圖3可知,利用經(jīng)驗(yàn)?zāi)B(tài)分解方法可以把原始時(shí)間序列中的高頻和低頻信息量進(jìn)行逐級(jí)分離,有效地分解成相對(duì)平穩(wěn)的分量,便于針對(duì)分量特征分別建立預(yù)測(cè)模型。

        為了驗(yàn)證分析本文提出模型的可行性及實(shí)用性,本文將以4種方案進(jìn)行討論,4種方案分別是①方案1,BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型;②方案2,利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型(GA-BP);③方案3,果蠅算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(FOA-BP);④方案4,基于EMD和FOA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型(EMD-FOA-BP)。本文將前50期的大壩變形量作為以上4種方案的訓(xùn)練樣本,后14期數(shù)據(jù)作為仿真樣本。方案1至方案3未對(duì)大壩原始數(shù)據(jù)進(jìn)行外部環(huán)境的平穩(wěn)化處理,直接進(jìn)行建模預(yù)測(cè);方案4利用 EMD對(duì)原始序列進(jìn)行分解,再將各分量分別建模預(yù)測(cè),疊加各預(yù)測(cè)值作為最終結(jié)果。4種模型的位移實(shí)測(cè)和預(yù)測(cè)結(jié)果對(duì)比列于表1,如圖4所示,殘差值結(jié)果如圖5所示。

        由表1和圖4可知,方案1中BP神經(jīng)網(wǎng)絡(luò)模型的殘差序列波動(dòng)較大,其中有10期殘差絕對(duì)值超過(guò)0.4 mm,最大殘差出現(xiàn)在第51期,達(dá)到0.793 5 mm;方案2的GA-BP模型預(yù)測(cè)殘差序列中有4期絕對(duì)值超過(guò)0.4 mm,且都集中在預(yù)測(cè)末期,在第64期的最大殘差達(dá)到1.045 4 mm。方案1、2對(duì)比可知,GA-BP模型的預(yù)測(cè)精度較方案1的BP模型有所提高,但效果不明顯,且末期預(yù)測(cè)誤差逐漸增大,說(shuō)明其長(zhǎng)期預(yù)測(cè)能力不足。方案3 FOA-BP模型的預(yù)測(cè)殘差序列絕對(duì)值超過(guò)0.3 mm的只有第61期的0.435 5 mm,表明FOA有效克服了BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)、收斂速度慢等缺點(diǎn),提高了網(wǎng)絡(luò)非線性映射能力,較方案1、2的預(yù)測(cè)精度明顯提高。方案4 EMD-FOA-BP模型中預(yù)測(cè)殘差序列絕對(duì)值小于0.1 mm的期數(shù)占總預(yù)測(cè)期數(shù)的78.5%,最大殘差絕對(duì)值僅為0.232 7 mm,較FOA-BP模型的精度又有提高,且總體預(yù)測(cè)較為穩(wěn)定,末期精度依然較高。

        表1 4種模型的位移實(shí)測(cè)、預(yù)測(cè)結(jié)果對(duì)比

        圖4 4種模型的預(yù)測(cè)值和實(shí)際值對(duì)比

        圖5 4種模型的預(yù)測(cè)殘差對(duì)比

        由圖4中各模型預(yù)測(cè)值與實(shí)際值的對(duì)比可知:BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值能夠擬合實(shí)際值的變化趨勢(shì),說(shuō)明該模型具有學(xué)習(xí)擬合的能力,但其精度較低,且在后期與實(shí)際值存在較大的預(yù)測(cè)誤差。FOA-BP模型和GA-BP模型在預(yù)測(cè)段的前期,兩者的預(yù)測(cè)精度較高,但在預(yù)測(cè)段的中后期兩者均出現(xiàn)較大波動(dòng),預(yù)測(cè)值與實(shí)際值偏差也較大,說(shuō)明模型在訓(xùn)練過(guò)程中學(xué)習(xí)速度跟不上原始序列的變化節(jié)奏,導(dǎo)致中后期仿真失效,同樣說(shuō)明這兩個(gè)模型的長(zhǎng)期預(yù)測(cè)能力不足。EMD-FOA-BP模型的預(yù)測(cè)值與大壩實(shí)際變形值吻合程度高,預(yù)測(cè)效果穩(wěn)定,在預(yù)測(cè)段的后期仍然保持高精度預(yù)測(cè)值,說(shuō)明EMD對(duì)大壩原始序列分解成相對(duì)平穩(wěn)的分量,能夠使模型在訓(xùn)練中更好的學(xué)習(xí)信號(hào)變化規(guī)則,從而提高了預(yù)測(cè)精度,且還能高精度預(yù)測(cè)更長(zhǎng)期。

        表2是4個(gè)模型的數(shù)據(jù)精度評(píng)定結(jié)果,由各項(xiàng)指標(biāo)對(duì)比可知,EMD-FOA-BP模型預(yù)測(cè)精度最高,F(xiàn)OA-BP模型次之,而GA-BP模型預(yù)測(cè)精度又低于FOA-BP模型,BP神經(jīng)網(wǎng)絡(luò)模型相對(duì)最差;遺傳算法與果蠅算法均能優(yōu)化BP神經(jīng)網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu),但果蠅算法的優(yōu)化效果更為顯著,F(xiàn)OA-BP模型的均方根誤差為0.204 3 mm,優(yōu)于GA-BP模型的0.455 6 mm;在FOA-BP模型優(yōu)勢(shì)的基礎(chǔ)上,利用EMD將大壩變形序列分解出含波動(dòng)成分、周期成分、趨勢(shì)成分的相對(duì)平穩(wěn)分量,實(shí)現(xiàn)模型外部環(huán)境優(yōu)化,使分量各自包含相同的變形信息,在一定程度上減少了不同特征信息之間的相互干涉,從而建立EMD-FOA-BP模型,保證了網(wǎng)絡(luò)的局部和全局最優(yōu),其預(yù)測(cè)精度明顯優(yōu)于其他3種方案。

        4 結(jié) 語(yǔ)

        本文利用EMD和FOA分別對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行外部和內(nèi)部環(huán)境優(yōu)化,建立EMD-FOA-BP預(yù)測(cè)模型應(yīng)用于大壩變形預(yù)測(cè)中。EMD對(duì)非線性、非平穩(wěn)序列的大壩變形數(shù)據(jù)實(shí)現(xiàn)平穩(wěn)化預(yù)處理,F(xiàn)OA對(duì)BP神經(jīng)網(wǎng)絡(luò)中最優(yōu)權(quán)值、閾值的搜索起到明顯作用,實(shí)現(xiàn)內(nèi)部結(jié)構(gòu)優(yōu)化,有效克服了BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、已陷入極小值等缺點(diǎn),新模型增強(qiáng)了對(duì)非線性、非平穩(wěn)函數(shù)的映射能力。實(shí)驗(yàn)結(jié)果表明,EMD-FOA-BP模型的預(yù)測(cè)精度優(yōu)于FOA-BP模型、GA-BP模型以及BP神經(jīng)網(wǎng)絡(luò)模型。但是,由于試驗(yàn)數(shù)據(jù)有限,EMD-FOA-BP模型在大壩變形預(yù)測(cè)應(yīng)用中的可行性有待進(jìn)一步驗(yàn)證。

        猜你喜歡
        變形優(yōu)化模型
        一半模型
        超限高層建筑結(jié)構(gòu)設(shè)計(jì)與優(yōu)化思考
        民用建筑防煙排煙設(shè)計(jì)優(yōu)化探討
        關(guān)于優(yōu)化消防安全告知承諾的一些思考
        一道優(yōu)化題的幾何解法
        重要模型『一線三等角』
        談詩(shī)的變形
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        “我”的變形計(jì)
        例談拼圖與整式變形
        一区二区在线观看精品在线观看| 国产成人综合在线视频| 国产一区二区不卡老阿姨| 无码国产精品一区二区免| 国产精品久久久一本精品| 精品国产一区二区三区男人吃奶| 强迫人妻hd中文字幕| 与漂亮的女邻居少妇好爽| 初尝人妻少妇中文字幕| 国产 字幕 制服 中文 在线| 精品欧美一区二区在线观看 | 男人的天堂免费a级毛片无码| 久久久精品456亚洲影院| 在教室伦流澡到高潮hnp视频| 中文字幕avdvd| 亚洲视频综合在线第一页| 国产精品久免费的黄网站| 国产亚洲精品福利在线| 伊人影院在线观看不卡| 男女互舔动态视频在线观看 | 无码人妻aⅴ一区二区三区| 中文成人无字幕乱码精品区| 波多野结衣有码| 国产精品乱子伦一区二区三区| 淫秽在线中国国产视频| 亚洲综合日韩一二三区| 色综合av综合无码综合网站| 97久久精品午夜一区二区| 手机看片福利盒子久久青| 亚洲免费无毛av一区二区三区| 凹凸世界视频a一二三| 成人av片在线观看免费| 亚洲熟妇av日韩熟妇在线| 麻豆精品久久久久久久99蜜桃 | 亚洲av成人久久精品| 久久国产在线精品观看| 丝袜美腿一区二区三区| 国产午夜精品久久久久免费视 | 午夜一区二区三区在线观看| 青青草国产手机观看视频| 精品国产这么小也不放过|