沈哲輝,黃 騰,葛 文,孟慶年
(河海大學(xué) 地球科學(xué)與工程學(xué)院,江蘇 南京210098)
大壩的安全極其重要,因此對(duì)大壩的監(jiān)測(cè)數(shù)據(jù)進(jìn)行建模預(yù)報(bào)是一項(xiàng)重要的工作?;疑P屠梦⒎址匠虂?lái)充分挖掘系統(tǒng)的本質(zhì)。它提供了在貧息情況下解決系統(tǒng)問(wèn)題的新途徑,但對(duì)于增長(zhǎng)趨勢(shì)呈非指數(shù)增長(zhǎng)的情況有時(shí)擬合灰度較大,精度難以提高[1-2]。小波變換是一個(gè)時(shí)間和頻率的局域變換,因而能有效地從信號(hào)中提取信號(hào),通過(guò)伸縮和平移對(duì)函數(shù)或信號(hào)進(jìn)行多尺度分析[3],并且小波分解后的平穩(wěn)性比原信號(hào)好的多。監(jiān)測(cè)序列經(jīng)小波分解后,低頻分量用灰色模型進(jìn)行建模預(yù)測(cè),挖掘變形系統(tǒng)的本質(zhì)。BP神經(jīng)網(wǎng)絡(luò)具有極強(qiáng)的非線性映射能力,具有對(duì)外界刺激和輸入信息進(jìn)行聯(lián)想記憶的能力以及對(duì)外界輸入樣本有很強(qiáng)的識(shí)別與分類(lèi)能力[4]。因此,監(jiān)測(cè)序列經(jīng)小波分解后的高頻分量用BP神經(jīng)網(wǎng)絡(luò)來(lái)建模預(yù)測(cè)。
本文構(gòu)建了基于小波分解的灰色GM(1,1)模型與BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)的組合模型,將此模型運(yùn)用于對(duì)某大壩監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)報(bào),并比較了其他模型的預(yù)測(cè)方法,驗(yàn)證本文的組合模型達(dá)到良好的預(yù)測(cè)結(jié)果。
小波變換是信號(hào)的時(shí)頻分析方法,而大壩的監(jiān)測(cè)時(shí)間序列可以看成一個(gè)有不同頻率成分的信號(hào)序列,時(shí)效(趨勢(shì))變化部分為低頻率的變化。而由于受到隨機(jī)因素及觀測(cè)誤差的隨機(jī)部分表現(xiàn)為高頻信號(hào)[5-6]所以可用小波變換提取各層頻率的信號(hào),根據(jù)低頻信號(hào)和高頻信號(hào)的特點(diǎn)分別進(jìn)行建模。
灰色系統(tǒng)理論是我國(guó)學(xué)者鄧聚龍于1982年提出。灰色預(yù)測(cè)方法是一種對(duì)含有不確定因素的系統(tǒng)進(jìn)行預(yù)測(cè)的方法,即灰色預(yù)測(cè)是對(duì)既含有已知信息又含有不確定信息的系統(tǒng)進(jìn)行預(yù)測(cè),就是對(duì)一定范圍內(nèi)變換的、與時(shí)間有關(guān)的灰色過(guò)程進(jìn)行預(yù)測(cè)[7]。它揭示了系統(tǒng)內(nèi)部事物連續(xù)發(fā)展變化的過(guò)程。應(yīng)用灰色GM(1,1)進(jìn)行預(yù)測(cè)的數(shù)據(jù)可以是線性的,也可以是非線性的,所用數(shù)據(jù)量少,而且可隨時(shí)對(duì)模型進(jìn)行修正,提高預(yù)測(cè)精度[8-9]。
因此大壩觀測(cè)時(shí)間序列經(jīng)小波分解后的低頻(趨勢(shì))分量可以用灰色模型建模,揭示大壩本身隨時(shí)效的變化趨勢(shì)。
BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱,是一種適于非線性模式識(shí)別和分類(lèi)預(yù)測(cè)問(wèn)題的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性映射能力,可以學(xué)習(xí)和自適應(yīng)未知信息,具有一定的容錯(cuò)性,魯棒性好。
王祖順在他的論文中提到,利用小波分解變形監(jiān)測(cè)數(shù)據(jù),重構(gòu)分離得到低頻線性項(xiàng)和高頻非線性項(xiàng),對(duì)線性特征強(qiáng)的子序列用線性模型建模預(yù)測(cè),非線性特征強(qiáng)的子序列用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù)測(cè)[10]。本文對(duì)大壩監(jiān)測(cè)時(shí)間序列進(jìn)行小波分解后,其高頻分量呈明顯的非線性特征,所以相比灰色模型而言,本文采用非線性模型,即BP神經(jīng)網(wǎng)絡(luò)對(duì)高頻分量進(jìn)行建模預(yù)測(cè)。
本文構(gòu)建了小波分解的灰色GM(1,1)-BP神經(jīng)網(wǎng)絡(luò)組合模型,具體步驟如下:
1)首先將監(jiān)測(cè)序列進(jìn)行小波分解,本文采用的小波函數(shù)選用緊支撐正交小波Daubechies系列小波函數(shù)db3。將監(jiān)測(cè)序列分解2層并單支重構(gòu),得到低頻分量和高頻分量。
2)用灰色GM(1,1)模型對(duì)低頻分量進(jìn)行建模并預(yù)測(cè),得到擬合值和預(yù)測(cè)值。
3)用BP神經(jīng)網(wǎng)絡(luò)對(duì)高頻分量建模并預(yù)測(cè),得到擬合值和預(yù)測(cè)值。神經(jīng)網(wǎng)絡(luò)樣本選擇方法如下:
已知時(shí)間序列{xi|i=1,2,…,t},若用過(guò)去的n個(gè)數(shù)值預(yù)測(cè)未來(lái)m個(gè)數(shù)值時(shí),可將訓(xùn)練數(shù)據(jù)分為k段,長(zhǎng)度為n+m的有一定重疊的數(shù)據(jù)段,每一段的前n個(gè)數(shù)據(jù)作為網(wǎng)絡(luò)的輸入,后m個(gè)數(shù)據(jù)作為網(wǎng)絡(luò)的輸出,如表1所示。
表1 神經(jīng)網(wǎng)絡(luò)樣本的選取方法
4)小波重構(gòu),將用GM(1,1)模型建模并預(yù)測(cè)后的低頻分量和用BP神經(jīng)網(wǎng)絡(luò)建模并預(yù)測(cè)后的高頻分量進(jìn)行小波重構(gòu),得到監(jiān)測(cè)序列的擬合值和預(yù)測(cè)值,建模流程如圖1所示。
為驗(yàn)證本文提出的基于小波分解的灰色-神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)的可行性對(duì)福建省某大壩某一水平位移測(cè)點(diǎn)78期的位移監(jiān)測(cè)數(shù)據(jù)(見(jiàn)表2)進(jìn)行建模預(yù)測(cè),其中前68期數(shù)據(jù)作為原始數(shù)據(jù)列分別建立小波-灰色-神經(jīng)網(wǎng)絡(luò)模型(模型1),高頻和低頻都用灰色模型預(yù)測(cè)的小波-灰色模型(模型2),灰色模型(模型3)。大壩后10期監(jiān)測(cè)數(shù)據(jù)用來(lái)檢驗(yàn)預(yù)測(cè)值的準(zhǔn)確性,比較每種模型的預(yù)測(cè)精度。其中模型1對(duì)高頻分量進(jìn)行BP神經(jīng)網(wǎng)絡(luò)建模時(shí),根據(jù)經(jīng)驗(yàn)取輸入量維數(shù)為10,輸出維數(shù)為1。
表2 原始數(shù)據(jù) mm
續(xù)表2
各模型預(yù)測(cè)結(jié)果比較見(jiàn)表3,圖2為各模型預(yù)測(cè)值變化曲線。從表3知,模型1的預(yù)測(cè)值的相對(duì)誤差絕對(duì)值平均值為1.52%,模型2的預(yù)測(cè)值的相對(duì)誤差絕對(duì)值平均值為2.84%,模型3的預(yù)測(cè)值的相對(duì)誤差絕對(duì)值平均值為2.90%。從圖2看出模型2和模型3的預(yù)測(cè)曲線基本重合,說(shuō)明經(jīng)小波分解后,各分量均用灰色模型建模預(yù)測(cè)得到的預(yù)測(cè)值比直接對(duì)監(jiān)測(cè)序列使用灰色模型建模預(yù)測(cè)得到的預(yù)測(cè)值預(yù)測(cè)精度雖有所提高,但不明顯。而模型1,也就是小波-灰色-神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度明顯比其他兩種模型的預(yù)測(cè)精度高。
表3 預(yù)測(cè)結(jié)果比較
圖2 3種模型預(yù)測(cè)結(jié)果比較
本文根據(jù)小波分解、灰色模型和BP神經(jīng)網(wǎng)絡(luò)各自的特點(diǎn),將這3個(gè)模型結(jié)合起來(lái)。監(jiān)測(cè)序列經(jīng)小波分解后,低頻分量用灰色模型建模預(yù)測(cè),高頻分量用BP神經(jīng)網(wǎng)絡(luò)建模預(yù)測(cè),最后重構(gòu)得到預(yù)測(cè)值。實(shí)驗(yàn)發(fā)現(xiàn),高頻分量相對(duì)于灰色模型來(lái)說(shuō)更適合用神經(jīng)網(wǎng)絡(luò)建模預(yù)測(cè),將此模型運(yùn)用于某大壩水平位移監(jiān)測(cè)預(yù)報(bào)中,分析得到本文的組合模型的預(yù)測(cè)精度比起單一的預(yù)測(cè)模型預(yù)測(cè)精度高得多,比僅用灰色模型對(duì)小波分解后的低、高頻分量進(jìn)行建模預(yù)測(cè)的組合模型預(yù)測(cè)精度也有所提高。
[1] 焦明連,蔣廷臣.基于小波分析的灰色預(yù)測(cè)模型在大壩安全監(jiān)測(cè)中的應(yīng)用[J].大地測(cè)量與地球動(dòng)力學(xué),2009,29(2):115-117.
[2] 劉丹丹.灰色模型分析法在高層建筑物變形監(jiān)測(cè)預(yù)測(cè)中的應(yīng)用[J].測(cè)繪與空間地理信息,2014,37(2):203-205.
[3] 胡曉虎.基于小波-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J].銅陵學(xué)院學(xué)報(bào),2012,11(4):107-109.
[4] 樊振宇.BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J].軟件導(dǎo)刊,2011,10(7):66-68.
[5] 徐洪鐘,吳中如,李雪紅,等.基于小波分析的大壩變形觀測(cè)數(shù)據(jù)的趨勢(shì)分量提?。跩].武漢大學(xué)學(xué)報(bào):工學(xué)版,2003,36(6):5-8.
[6] 冷信風(fēng),賴祖龍,熊思橋.基于MATLAB與小波進(jìn)行沉降數(shù)據(jù)處理與分析[J].測(cè)繪與空間地理信息,2014,37(2):180-182.
[7] 笪秉宏,亓四華.基于GM(1,1)灰色系統(tǒng)的公路貨運(yùn)量預(yù)測(cè)模型的研究[J].安徽工程科技學(xué)院學(xué)報(bào):自然科學(xué)版,2007,22(2):62-65.
[8] 谷川,張?jiān)溃瓽M(1,1)灰色模型改進(jìn)及其應(yīng)用[J].海洋測(cè)繪,2008,28(3):35-37.
[9] 喜文飛,史正濤.基于卡爾曼濾波的動(dòng)態(tài)灰色理論模型研究[J].測(cè)繪工程,2014,23(3):24-27.
[10]王祖順,朝吉德.小波分解下的變形預(yù)報(bào)組合模型[J].測(cè)繪工程,2013,22(4):30-33.