国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于WOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的露天礦邊坡位移預(yù)測

2024-01-10 07:22:38戚鑫鑫楊逸飛高彩云
河南城建學(xué)院學(xué)報 2023年6期
關(guān)鍵詞:均方露天礦權(quán)值

高 寧,戚鑫鑫,楊逸飛,高彩云

(1.河南城建學(xué)院測繪與城市空間信息學(xué)院,河南平頂山467036;2.安徽理工大學(xué)空間信息與測繪工程學(xué)院,安徽 淮南 232001;3.高分辨率對地觀測系統(tǒng)河南數(shù)據(jù)與應(yīng)用中心平頂山分中心,河南 平頂山 467036;4.白俄羅斯國立經(jīng)濟(jì)大學(xué),白俄羅斯 明斯克 220071)

露天開采是我國礦產(chǎn)資源開發(fā)的主要形式,在開采過程中形成了大量的礦邊坡工程。隨著開采深度、堆排高度和邊坡角度不斷增大,邊坡穩(wěn)定性變差,由此引發(fā)的露天礦安全風(fēng)險日益突出,制約了區(qū)域經(jīng)濟(jì)和社會的可持續(xù)發(fā)展[1]。為降低露天礦安全風(fēng)險,迫切需要建立準(zhǔn)確的邊坡變形預(yù)測模型,及時掌握邊坡變形發(fā)展趨勢,實(shí)現(xiàn)提前預(yù)測、預(yù)報和預(yù)警。

露天礦邊坡始終處于復(fù)雜的動態(tài)開挖、回采過程,且影響因素復(fù)雜多變[2],因此具有明顯的“動態(tài)”特征。目前,學(xué)界關(guān)于邊坡變形預(yù)測的方法主要有時間分析、小波分析、灰色系統(tǒng)理論、神經(jīng)網(wǎng)絡(luò)等[3]。其中,神經(jīng)網(wǎng)絡(luò)因其具有較強(qiáng)的非線性映射能力、自主學(xué)習(xí)能力優(yōu)等特點(diǎn),被廣泛用于邊坡工程變形預(yù)測。如林國平[4]采用BP神經(jīng)網(wǎng)絡(luò)對降雨條件下的邊坡變形演化發(fā)展進(jìn)行了較為準(zhǔn)確的預(yù)測;歐陽斌等[5]利用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對安家?guī)X露天煤礦1270平盤邊坡位移開展預(yù)測,預(yù)測結(jié)果與實(shí)測值較為吻合;劉利君等[6]應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對白音華二號露天礦南幫邊坡位移進(jìn)行了預(yù)測;韓亮等[7]提出了基于RBF神經(jīng)網(wǎng)絡(luò)的露天礦邊坡穩(wěn)定系數(shù)預(yù)測模型。雖然BP、RBF神經(jīng)網(wǎng)絡(luò)能夠用于露天礦邊坡位移預(yù)測,但其建模原理都是將動態(tài)時序問題轉(zhuǎn)變?yōu)檫m合算法本身的靜態(tài)問題,而這與露天礦邊坡工程數(shù)據(jù)的動態(tài)特性不匹配,會影響預(yù)測結(jié)果的合理性、正確性。

基于此,本文引入具有動態(tài)反饋功能的Elman神經(jīng)網(wǎng)絡(luò),并通過鯨魚算法(Whale Optimization Algorithm,WOA)獲取最佳權(quán)值和閾值,構(gòu)建露天礦邊坡WOA-Elman預(yù)測模型,為露天礦邊坡變形預(yù)測提供一種有效途徑。

1 模型算法原理

1.1 Elman原理及特點(diǎn)

1990年,Jeffery.L.Elman針對語音處理問題提出了Elman神經(jīng)網(wǎng)絡(luò)。它的輸入包括有延遲的輸入或輸出數(shù)據(jù)的反饋,被視為一種反饋動力學(xué)系統(tǒng)[8-10]。

Elman神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)主要包含輸入層、隱含層、承接層和輸出層(見圖1)。輸入層的主要作用是傳輸信號;隱含層的主要作用是連接輸出層和承接層的反饋,根據(jù)權(quán)值的調(diào)整影響輸入的數(shù)據(jù);承接層作為一步延時算子,能夠使系統(tǒng)對歷史狀態(tài)的數(shù)據(jù)具有較強(qiáng)的敏感性,以達(dá)到記憶目的,增強(qiáng)網(wǎng)絡(luò)本身處理動態(tài)信息的能力,實(shí)現(xiàn)動態(tài)建模;輸出層的主要作用是線性加權(quán)輸出。

圖1 Elman神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

Elman神經(jīng)網(wǎng)絡(luò)的非線性狀態(tài)空間表達(dá)式為

式中:x為n維隱含層的節(jié)點(diǎn)單元向量;f(*)為隱含層神經(jīng)元的傳遞函數(shù);w1為承接層與隱含層的連接權(quán)值;w2為輸入層與隱含層的連接權(quán)值;w3為隱含層與輸出層的連接權(quán)值;xc為n維反饋狀態(tài)向量;u為r維輸入向量;y為m維輸出節(jié)點(diǎn)向量;g(*)為輸出神經(jīng)元的傳遞函數(shù),是隱含層輸出的線性組合。

Elman神經(jīng)網(wǎng)絡(luò)采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)修正權(quán)值。誤差函數(shù)的表達(dá)式為

式中di(k)為k時刻第i個輸出節(jié)點(diǎn)的期望輸出。

1.2 WOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)

WOA是一種元啟發(fā)式優(yōu)化算法,他源于對自然界中座頭鯨群體狩獵行為的模擬,如鯨魚群體搜索、包圍、追捕和攻擊獵物等過程實(shí)現(xiàn)優(yōu)化搜索目的。相較于其他優(yōu)化算法,WOA具有機(jī)制簡單、參數(shù)少、尋優(yōu)能力強(qiáng)等優(yōu)點(diǎn)[11-12]。

傳統(tǒng)的Elman神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值一般通過隨機(jī)賦值方式確定,缺乏全局搜索優(yōu)化能力。本文采用WOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,增強(qiáng)Elman網(wǎng)絡(luò)的訓(xùn)練速度及全局尋優(yōu)能力。WOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)(WOA-Elman)算法流程如圖2所示。

圖2 WOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)算法流程

Step1:初始化Elman神經(jīng)網(wǎng)絡(luò)所需的參數(shù)。

Step2:初始化鯨魚數(shù)量、最大迭代次數(shù)以及參數(shù)的上下限等WOA參數(shù)。

Step3:WOA通過包圍獵物、螺旋式更新位置和搜索獵物,迭代優(yōu)化Elman神經(jīng)網(wǎng)絡(luò),直到迭代結(jié)束,形成最佳個體,包括權(quán)值和閾值。

Step4:分析最佳個體,利用分析的權(quán)重和閾值對Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并進(jìn)行預(yù)測。

2 實(shí)例建模與驗(yàn)證

撫順西露天煤礦位于遼寧省撫順市,是我國第一大露天煤礦。該礦南幫邊坡巖體破損、風(fēng)化嚴(yán)重。本文以2016年1月至3月采用雷達(dá)系統(tǒng)監(jiān)測的該礦南幫邊坡位移80期數(shù)據(jù)[13]為例建立邊坡位移預(yù)測模型。

2.1 構(gòu)建WOA-Elman邊坡位移預(yù)測模型

(1)數(shù)據(jù)預(yù)處理。

隨著露天礦邊坡演變階段的不同,數(shù)據(jù)的變化差異較為明顯。采用Elman神經(jīng)網(wǎng)絡(luò)預(yù)測時,各輸入數(shù)據(jù)之間的量級差異偏大或者偏小均會影響預(yù)測結(jié)果。為了消除數(shù)量級與量綱方面的影響,防止出現(xiàn)神經(jīng)元輸出飽和現(xiàn)象,本文對所有原始數(shù)據(jù)進(jìn)行歸一化處理,使其均落在[0,1]區(qū)間。歸一化公式為

反歸一化公式為

式中:xmax為輸入樣本數(shù)據(jù)的最大值;xmin為樣本數(shù)據(jù)的最小值;xi、yi分別為輸入樣本歸一化前后的值。

(2)確定輸入層節(jié)點(diǎn)數(shù)。

Elman神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)對預(yù)測時效影響較大。若輸入層節(jié)點(diǎn)數(shù)太大,Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間長、結(jié)構(gòu)冗余;若輸入層節(jié)點(diǎn)數(shù)太小,會導(dǎo)致Elman神經(jīng)網(wǎng)絡(luò)不收斂。為此,本文采用滾動預(yù)測模式確定輸入層節(jié)點(diǎn)數(shù)。所謂滾動預(yù)測即對每一周期的訓(xùn)練數(shù)據(jù)進(jìn)行同步更新[14]。

以訓(xùn)練樣本為例,抽取x1~xN組成第一個樣本,其中(x1,x2,…,xN-1)為自變量,xN為目標(biāo)函數(shù)值,以此類推,形成訓(xùn)練矩陣

本例中,分別選取3,4,5,…,20作為輸入層節(jié)點(diǎn)數(shù)進(jìn)行實(shí)時滾動。因輸出為邊坡預(yù)測值,故輸出節(jié)點(diǎn)取1。不同的輸入層節(jié)點(diǎn)數(shù)所對應(yīng)的均方誤差如圖3所示。當(dāng)N取值為3時,神經(jīng)網(wǎng)絡(luò)的均方誤差最小,因此,選擇3作為輸入層節(jié)點(diǎn)數(shù)。

圖3 本文輸入層節(jié)點(diǎn)數(shù)與神經(jīng)網(wǎng)絡(luò)均方誤差的關(guān)系

(3)選取激活函數(shù)。

選取常用的激活函數(shù)(purelin型、logsig型及tansig型)進(jìn)行兩兩組合,求出不同組合下預(yù)測結(jié)果的均方誤差(見表1)。

表1 不同激活函數(shù)組合預(yù)測結(jié)果的均方誤差

由表1可知,當(dāng)隱含層函數(shù)選取purelin、輸出層函數(shù)選取purelin時,均方誤差最低。因此,本文選其作激活函數(shù)組合。

(4)確定隱含層節(jié)點(diǎn)數(shù)。

隱含層節(jié)點(diǎn)數(shù)直接影響Elman神經(jīng)網(wǎng)絡(luò)的泛化能力。若隱含層節(jié)點(diǎn)數(shù)太大,則網(wǎng)絡(luò)訓(xùn)練時間過長,會導(dǎo)致過學(xué)習(xí)現(xiàn)象,進(jìn)而降低工作效率;若隱含層節(jié)點(diǎn)數(shù)太小,則難以建立復(fù)雜的映射關(guān)系,會導(dǎo)致逼近能力差。

圖4 本文隱含層節(jié)點(diǎn)數(shù)與神經(jīng)網(wǎng)絡(luò)均方誤差的關(guān)系

2.2 3種模型的建模與預(yù)測性能對比分析

(1)3種模型建模。

分別采用3種神經(jīng)網(wǎng)絡(luò)對本文實(shí)例進(jìn)行建模預(yù)測。將第1~58期數(shù)據(jù)作為訓(xùn)練樣本,將第59~80期數(shù)據(jù)作為測試樣本。

模型1(BP神經(jīng)網(wǎng)絡(luò))。輸入節(jié)點(diǎn)設(shè)為3,輸出節(jié)點(diǎn)設(shè)為1,單隱含層,隱含層節(jié)點(diǎn)數(shù)設(shè)為6,隱含層、輸出層的激活函數(shù)以及訓(xùn)練函數(shù)分別設(shè)為tansig、purelin、trainlm,學(xué)習(xí)速率設(shè)為0.01,目標(biāo)誤差設(shè)為0.000 1 mm,最大收斂次數(shù)設(shè)為2 000。

模型2(Elman神經(jīng)網(wǎng)絡(luò))。輸入節(jié)點(diǎn)數(shù)設(shè)為3,輸出節(jié)點(diǎn)數(shù)設(shè)為1,單承接層、單隱含層、隱含層節(jié)點(diǎn)數(shù)均設(shè)為8,隱含層、輸出層的激活函數(shù)均為purelin,訓(xùn)練函數(shù)設(shè)為traingdx,學(xué)習(xí)速率設(shè)為0.01,動量因子設(shè)為0.01,目標(biāo)誤差設(shè)為0.000 1 mm,最大收斂次數(shù)設(shè)為2 000。

模型3(WOA-Elman神經(jīng)網(wǎng)絡(luò))。采用WOA獲取Elman神經(jīng)網(wǎng)絡(luò)的最佳權(quán)值和閾值。初始化Elman神經(jīng)網(wǎng)絡(luò)所需的參數(shù)以及WOA參數(shù)(如鯨魚數(shù)量、最大迭代次數(shù)以及參數(shù)的上下限等),再通過WOA包圍獵物、螺旋式更新位置和搜索獵物操作,不斷迭代尋找最優(yōu)個體(包括權(quán)值w1、w2、w3和閾值b1、b2)。WOA的維數(shù)設(shè)為105,則存放最優(yōu)個體的矩陣為1×105的權(quán)值矩陣。輸入層到隱含層是8×3的權(quán)值矩陣,共24個權(quán)值。隱含層到承接層是8×8的權(quán)值矩陣,共64個權(quán)值。隱含層的閾值矩陣為8×1矩陣,共8個閾值。隱含層到輸出層是1×8的權(quán)值矩陣,共8個權(quán)值。輸出層的閾值矩陣為1×1的矩陣,共1個閾值。使用WOA得到的WOA-Elman神經(jīng)網(wǎng)絡(luò)最優(yōu)初始權(quán)值和閾值如表2所示。

表2 WOA-Elman神經(jīng)網(wǎng)絡(luò)最優(yōu)初始權(quán)值與閾值

(2)3種模型的預(yù)測性能對比分析。

采用3種神經(jīng)網(wǎng)絡(luò)對本文實(shí)例建模時,迭代次數(shù)越少,收斂速度越快。為了驗(yàn)證WOA-Elman神經(jīng)網(wǎng)絡(luò)的收斂性,在相同的訓(xùn)練樣本下,比較WOA-Elman神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)的收斂速度(此處不再討論BP神經(jīng)網(wǎng)絡(luò)的收斂性)。WOA-Elman神經(jīng)網(wǎng)絡(luò)的進(jìn)化曲線如圖5所示。迭代過程可分為3個階段:第0~10次進(jìn)化迭代時,均方誤差急劇減小;第10~23次進(jìn)化迭代時,均方誤差變化率逐漸減弱;第38次進(jìn)化迭代后,進(jìn)化曲線趨于平緩,并最終獲得最優(yōu)值。

圖5 WOA-Elman模型的進(jìn)化曲線

樣本相同時,Elman神經(jīng)網(wǎng)絡(luò)在迭代108次時才達(dá)到收斂,而WOA-Elman神經(jīng)網(wǎng)絡(luò)僅迭代38次,就達(dá)到了收斂,說明WOA-Elman神經(jīng)網(wǎng)絡(luò)收斂速度快。3種模型對測試樣本的模擬測試結(jié)果及殘差值如表3所示。

表3 3種模型對撫順西露天礦位移的模擬測試結(jié)果mm

由表3可知,模型1的殘差絕對值最大為1.07、最小為0.02;模型2的殘差絕對值最大為0.68、最小為0.05;模型3的殘差絕對值最大為0.37、最小為0.01。這說明模型3的測試結(jié)果較穩(wěn)定,波動性小。選取均方根誤差(RMSE)、平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)等指標(biāo)評價各模型,評價結(jié)果如表4所示。

表4 3種模型對撫順西露天礦位移預(yù)測的測試結(jié)果精度

由表4可知,模型3的MAE、RMSE和MAPE分別為0.146 mm、0.167 mm及0.685%,與其他兩種模型的預(yù)測結(jié)果相比,具有較小的預(yù)測誤差,與模型2的MAE、RMSE、MAPE相比,分別降低了0.137 mm、0.165 mm、0.647%。因此,模型3的穩(wěn)定性更好,預(yù)測精度更高,泛化能力更強(qiáng)。

3 結(jié)論

(1)Elman神經(jīng)網(wǎng)絡(luò)具備動態(tài)映射功能,適應(yīng)時變建模預(yù)測系統(tǒng)。

(2)采用WOA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的初始閾值與權(quán)值,增強(qiáng)了Elman神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性以及全局尋優(yōu)的能力,提升了Elman神經(jīng)網(wǎng)絡(luò)預(yù)測的穩(wěn)定性。

(3)WOA-Elman神經(jīng)網(wǎng)絡(luò)對露天礦邊坡變形預(yù)測得到的RMSE、MAE、MAPE均優(yōu)于Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò),且收斂速度快,預(yù)測結(jié)果與真實(shí)值更接近、精度更高。本文模型可為露天礦邊坡災(zāi)害的防治工作提供參考。

猜你喜歡
均方露天礦權(quán)值
一類隨機(jī)積分微分方程的均方漸近概周期解
一種融合時間權(quán)值和用戶行為序列的電影推薦模型
備戰(zhàn)鐵礦露天礦與掛幫礦同時開采穩(wěn)定性研究
露天礦山土石方量的測量及計(jì)算
CONTENTS
Beidou, le système de navigation par satellite compatible et interopérable
基于權(quán)值動量的RBM加速學(xué)習(xí)算法研究
基于Delphi-TOPSIS法的露天礦采區(qū)接續(xù)方案優(yōu)選
中國煤炭(2016年9期)2016-06-15 20:29:54
河北將對1881個露天礦山開展環(huán)境治理
基于抗差最小均方估計(jì)的輸電線路參數(shù)辨識
泸定县| 龙泉市| 榕江县| 沁源县| 连江县| 曲阜市| 泰安市| 汉沽区| 长宁区| 额敏县| 广河县| 永仁县| 黄骅市| 南雄市| 三江| 丹阳市| 宁陵县| 黎平县| 东方市| 南通市| 伊金霍洛旗| 新龙县| 阆中市| 古浪县| 治县。| 股票| 鹤庆县| 乌鲁木齐市| 安化县| 紫阳县| 漳浦县| 延庆县| 定远县| 梓潼县| 七台河市| 巴塘县| 绵阳市| 铅山县| 三门县| 兰州市| 陆河县|