基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法
【專利摘要】本發(fā)明的一種基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法屬于水文地質(zhì)【技術(shù)領(lǐng)域】。該預(yù)測方法包括如下步驟：使用小波變換方法和神經(jīng)網(wǎng)絡(luò)模型方法建構(gòu)巖溶陷落柱預(yù)測模型，進而確定巖溶陷落柱判別類型，實現(xiàn)巖溶陷落柱預(yù)測。進一步，該預(yù)測方法具體包括如下步驟：S1，數(shù)據(jù)采集與特征提??；S2，設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；S3，訓(xùn)練神經(jīng)網(wǎng)絡(luò)；S4，判別預(yù)測類型。本發(fā)明的基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法將小波分析方法與BP神經(jīng)網(wǎng)絡(luò)充分結(jié)合，從而使巖溶陷落柱的位置判別預(yù)測更加科學(xué)和準(zhǔn)確。
【專利說明】基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及水文地質(zhì)【技術(shù)領(lǐng)域】，尤其涉及一種基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法。

【背景技術(shù)】
[0002]目前，國內(nèi)外很多專家對陷落柱的位置預(yù)測停留在根據(jù)經(jīng)驗類推的水平，沒有借助其他更好的預(yù)測模型進行預(yù)測，盡管模糊綜合評價法在預(yù)測方面取得了一定的進展，但到目前為止，尚且沒有進行小波神經(jīng)網(wǎng)絡(luò)方法預(yù)測陷落柱的位置的研究。


【發(fā)明內(nèi)容】

[0003]為了解決上述技術(shù)問題，本發(fā)明的目的是提供一種基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法，該預(yù)測方法具有將小波分析方法與BP神經(jīng)網(wǎng)絡(luò)充分結(jié)合的特點，且?guī)r溶陷落柱的位置判別預(yù)測更加科學(xué)和準(zhǔn)確。
[0004]本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的:
[0005]一種基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法，包括如下步驟:使用小波變換方法和神經(jīng)網(wǎng)絡(luò)模型方法建構(gòu)巖溶陷落柱預(yù)測模型，進而確定巖溶陷落柱判別類型，實現(xiàn)巖溶陷落柱預(yù)測。
[0006]進一步的，所述的基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法具體包括如下步驟:
[0007]SI，數(shù)據(jù)采集與特征提取，根據(jù)綜合指標(biāo)信號波特征，采集能夠反映綜合指標(biāo)特性的波動，對其離散化后，進行N層的小波分解，以各層高頻小波分解系數(shù)序列的能量為元素組成特征向量，盡可能多地采集表征系統(tǒng)各種運行狀態(tài)的綜合指標(biāo)信號，特征提取之后，將特征向量存于存儲器中；
[0008]S2，設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)輸入特征向量的維數(shù)和陷落柱的狀態(tài)數(shù)確定小波神經(jīng)網(wǎng)絡(luò)的輸入、輸出層節(jié)點數(shù)，如果巖溶有N種存在狀態(tài)，那么網(wǎng)絡(luò)輸出層節(jié)點數(shù)就選為N ;隱含層和輸出層的激活函數(shù)分別選用Morlet小波函數(shù)和sigmoid函數(shù)；
[0009]S3，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以信號能量特征向量為訓(xùn)練樣本輸入向量，訓(xùn)練樣本輸出向量確定方法為:陷落柱判別狀態(tài)假定有2種狀態(tài):存在陷落柱和不存在陷落柱，即狀態(tài)I，狀態(tài)2，網(wǎng)絡(luò)輸出為{y1; y2}，若判別狀態(tài)為1，即存在陷落柱，則令yj = Y1,而其余為零，則網(wǎng)絡(luò)的輸出向量為{1，0};若判別狀態(tài)為2，即不存在陷落柱，則網(wǎng)絡(luò)輸出向量為{0，1};利用存儲器中的訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練，使誤差平方和小于誤差目標(biāo)，并將訓(xùn)練好的網(wǎng)絡(luò)權(quán)值和偏差存至存儲器中；
[0010]S4，判別預(yù)測類型，利用訓(xùn)練好的網(wǎng)絡(luò)權(quán)值和偏差，把待判別的能量特征向量輸入神經(jīng)網(wǎng)絡(luò)，將網(wǎng)絡(luò)輸出與訓(xùn)練樣本輸出向量作比較，判別預(yù)測類型。
[0011]通過上述本發(fā)明的技術(shù)方案，本發(fā)明的基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法具有將小波分析方法與BP神經(jīng)網(wǎng)絡(luò)充分結(jié)合的特點，且?guī)r溶陷落柱的位置判別預(yù)測更加科學(xué)和準(zhǔn)確。

【專利附圖】

【附圖說明】
[0012]圖1為本發(fā)明的巖溶陷落柱預(yù)測方法的流程框圖；
[0013]圖2為綜合指標(biāo)的確定方法的流程框圖；
[0014]圖3為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的流程框圖；
[0015]圖4為判別預(yù)測的流程框圖；
[0016]圖5為巖溶陷落柱綜合預(yù)測指標(biāo)體系示意圖。

【具體實施方式】
[0017]下面結(jié)合附圖對本發(fā)明的【具體實施方式】進行詳細說明:
[0018]一種基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法，包括如下步驟:使用小波變換方法和神經(jīng)網(wǎng)絡(luò)模型方法建構(gòu)巖溶陷落柱預(yù)測模型，進而確定巖溶陷落柱判別類型，實現(xiàn)巖溶陷落柱預(yù)測。
[0019]進一步地，如圖1、圖2、圖3和圖4所示，所述的基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法具體包括如下步驟:
[0020]SI，數(shù)據(jù)采集與特征提取。根據(jù)綜合指標(biāo)信號波特征，采集能夠反映綜合指標(biāo)特性的波動，對其離散化后，進行N層的小波分解，以各層高頻小波分解系數(shù)序列的能量為元素組成特征向量。雖然神經(jīng)網(wǎng)絡(luò)具有較強的自學(xué)習(xí)和聯(lián)想能力，但是實踐中發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的聯(lián)想能力是有限的，超出限度，網(wǎng)絡(luò)將不給出任何提示而采用錯誤的方式聯(lián)想。因此在實際應(yīng)用該系統(tǒng)時，應(yīng)盡可能多地采集表征系統(tǒng)各種運行狀態(tài)的綜合指標(biāo)信號，特征提取之后，將特征向量存于存儲器中。
[0021]S2，設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)輸入特征向量的維數(shù)和陷落柱的狀態(tài)數(shù)確定小波神經(jīng)網(wǎng)絡(luò)的輸入、輸出層節(jié)點數(shù)。如果巖溶有N種存在狀態(tài)，那么網(wǎng)絡(luò)輸出層節(jié)點數(shù)就選為N ;隱含層和輸出層的激活函數(shù)分別選用Morlet小波函數(shù)和sigmoid函數(shù)。
[0022]S3，訓(xùn)練神經(jīng)網(wǎng)絡(luò)。為了讓神經(jīng)網(wǎng)絡(luò)能夠?qū)r溶陷落柱存在狀態(tài)進行識別，首先必須對網(wǎng)絡(luò)進行訓(xùn)練。以信號能量特征向量為訓(xùn)練樣本輸入向量，訓(xùn)練樣本輸出向量確定方法為:陷落柱判別狀態(tài)假定有2種狀態(tài):存在陷落柱和不存在陷落柱，即狀態(tài)1，狀態(tài)2，網(wǎng)絡(luò)輸出為{y1;y2}，若判別狀態(tài)為I，即存在陷落柱，則令y」=Y1，而其余為零，則網(wǎng)絡(luò)的輸出向量為{1，0};若判別狀態(tài)為2，即不存在陷落柱，則網(wǎng)絡(luò)輸出向量為{0，1};利用存儲器中的大量訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練，使誤差平方和小于誤差目標(biāo)，并將訓(xùn)練好的網(wǎng)絡(luò)權(quán)值和偏差存至存儲器中。
[0023]S4，判別預(yù)測類型，利用訓(xùn)練好的網(wǎng)絡(luò)權(quán)值和偏差，把待判別的能量特征向量輸入神經(jīng)網(wǎng)絡(luò)，將網(wǎng)絡(luò)輸出與訓(xùn)練樣本輸出向量作比較，判別預(yù)測類型。
[0024]其中，如圖2和圖5所示,所述的步驟SI中的綜合指標(biāo)包括10個二級指標(biāo),其中，如圖5所示，綜合指標(biāo)包括2個一級指標(biāo)(即地質(zhì)構(gòu)造因素、巖溶發(fā)育動力條件)和10個二級指標(biāo)(即井田構(gòu)造形態(tài)、褶皺發(fā)育、向斜發(fā)育規(guī)模、張性斷裂發(fā)育、富水性、補徑排條件、水溫、溶解性總固定TDS、鈣鎂比值和PH值)分別為其確定方法如下:
[0025]SI I，通過下列表達式確定10個二級指標(biāo)，即:
A -
[0026]^ajn(I)

i=\
B=^~
[0027]^bfn⑵

(=1
Q = C1
[_] ' ±Ci/n(3)

i:=l
_ dt
[0029]D'^fd7n (4)

/-1

et
[0030]E1-jyi/n(5)

1=1
F =~^~
[0031], ^fjn(6)

/=I

g.
[0032](7)

i=\
H = _
[0033],(8)
LjhJn

(=1
I =_iI_
_4] ' ^./n(9)

/=1
J = j‘ ■■
[0035]( V./(10)
Un

/=1
[0036]其中Ai, Bi, Ci,......, Ji分別代表井田構(gòu)造形態(tài)指標(biāo)序列、褶皺發(fā)育指標(biāo)序列、
向斜發(fā)育規(guī)模指標(biāo)序列、張性斷裂發(fā)育指標(biāo)序列、富水性指標(biāo)序列、補徑排條件指標(biāo)序列、水溫指標(biāo)序列、溶解性總固定TDS指標(biāo)序列、鈣鎂比值指標(biāo)序列和PH值指標(biāo)序列，ai； bi；Ci,……，Ji分別代表井田構(gòu)造形態(tài)指標(biāo)、褶皺發(fā)育指標(biāo)、向斜發(fā)育規(guī)模指標(biāo)、張性斷裂發(fā)育指標(biāo)、S水性指標(biāo)、補徑排條件指標(biāo)、水溫指標(biāo)、溶解性總固定TDS指標(biāo)、I丐續(xù)比值指標(biāo)和PH值指標(biāo)，η為選用的序列中所包含的元素個數(shù)；
[0037]S12，綜合指標(biāo)由上述10個二級指標(biāo)合成，其表達式為:
[0038]X.Ai+Bi +Ci +Di +Ei +Fi +Gi +Hi +Ii +Ji(11)
[0039]其中，Zi代表綜合指標(biāo)序列中的第i個元素。
[0040]本發(fā)明是結(jié)合小波變換理論與人工神經(jīng)網(wǎng)絡(luò)的思想而構(gòu)造的一種新的陷落柱預(yù)測模型。由于小波變換具有良好的時頻局域化性質(zhì)，而神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)功能，并有較強的逼近能力和容錯能力，將小波分析方法與BP神經(jīng)網(wǎng)絡(luò)充分結(jié)合后的一種新型小波神經(jīng)網(wǎng)絡(luò)，將二者的優(yōu)勢結(jié)合起來，對于陷落柱綜合預(yù)測具有重要的意義。
[0041]經(jīng)過對華北石炭二疊紀(jì)有關(guān)煤田巖溶陷落柱形成條件和發(fā)育分布規(guī)律的全面分析研究，提出華北石炭二疊紀(jì)煤田巖溶陷落柱綜合預(yù)測指標(biāo)體系(如圖5所示)。該指標(biāo)體系以巖溶陷落柱形成條件為主要依據(jù)，結(jié)合巖溶陷落柱發(fā)育分布的一般規(guī)律，具體包括2個一級指標(biāo)和10個二級指標(biāo)。因為各二級指標(biāo)在數(shù)量級和數(shù)量單位上是不同的，因此在將這10個二級指標(biāo)合成綜合指標(biāo)時，采取標(biāo)準(zhǔn)化的方法，然后合成綜合指標(biāo)；接下來圍繞巖溶陷落柱判別預(yù)測的綜合指標(biāo)Z進行分析和預(yù)測。
[0042]本發(fā)明是一種基于小波神經(jīng)網(wǎng)絡(luò)對巖溶陷落柱進行判別預(yù)測的方法，其具體判別過程為:首先是判別信息的獲取，在巖溶陷落柱預(yù)測中利用綜合指標(biāo)信號來獲取判別信息；然后是特征提取，即采用適當(dāng)?shù)目茖W(xué)的提取方法，從特征信號中提取出巖溶陷落柱的判別特征；最后是狀態(tài)識別和判別預(yù)測，即采用模式識別技術(shù)進行分類，以確定判別類型，其實質(zhì)就是一個模型識別的過程。
[0043]以上所述，僅為本發(fā)明較佳的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此，任何熟悉本【技術(shù)領(lǐng)域】的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)該以權(quán)利要求書的保護范圍為準(zhǔn)。
【權(quán)利要求】
1.一種基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法，其特征在于，包括如下步驟: 使用小波變換方法和神經(jīng)網(wǎng)絡(luò)模型方法建構(gòu)巖溶陷落柱預(yù)測模型，進而確定巖溶陷落柱判別類型，實現(xiàn)巖溶陷落柱預(yù)測。
2.根據(jù)權(quán)利要求1所述的基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法，其特征在于，包括如下步驟: SI，數(shù)據(jù)采集與特征提取，根據(jù)綜合指標(biāo)信號波特征，采集能夠反映綜合指標(biāo)特性的波動，對其離散化后，進行N層的小波分解，以各層高頻小波分解系數(shù)序列的能量為元素組成特征向量，盡可能多地采集表征系統(tǒng)各種運行狀態(tài)的綜合指標(biāo)信號，特征提取之后，將特征向量存于存儲器中； S2，設(shè)計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)輸入特征向量的維數(shù)和陷落柱的狀態(tài)數(shù)確定小波神經(jīng)網(wǎng)絡(luò)的輸入、輸出層節(jié)點數(shù)，如果巖溶有N種存在狀態(tài)，那么網(wǎng)絡(luò)輸出層節(jié)點數(shù)就選為N ;隱含層和輸出層的激活函數(shù)分別選用Morlet小波函數(shù)和sigmoid函數(shù)； S3，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，以信號能量特征向量為訓(xùn)練樣本輸入向量，訓(xùn)練樣本輸出向量確定方法為:陷落柱判別狀態(tài)假定有2種狀態(tài):存在陷落柱和不存在陷落柱，即狀態(tài)1，狀態(tài)2，網(wǎng)絡(luò)輸出為{y1; y2}，若判別狀態(tài)為1，即存在陷落柱，則令y」=y1；而其余為零，則網(wǎng)絡(luò)的輸出向量為{1，0};若判別狀態(tài)為2，即不存在陷落柱，則網(wǎng)絡(luò)輸出向量為{0，1};利用存儲器中的訓(xùn)練樣本對網(wǎng)絡(luò)進行訓(xùn)練，使誤差平方和小于誤差目標(biāo)，并將訓(xùn)練好的網(wǎng)絡(luò)權(quán)值和偏差存至存儲器中； S4，判別預(yù)測類型，利用訓(xùn)練好的網(wǎng)絡(luò)權(quán)值和偏差，把待判別的能量特征向量輸入神經(jīng)網(wǎng)絡(luò)，將網(wǎng)絡(luò)輸出與訓(xùn)練樣本輸出向量作比較，判別預(yù)測類型。
3.根據(jù)權(quán)利要求2所述的基于小波神經(jīng)網(wǎng)絡(luò)的巖溶陷落柱預(yù)測方法，其特征在于，所述的步驟Si中的綜合指標(biāo)包括10個二級指標(biāo)，其確定方法如下: S11，通過下列表達式確定10個二級指標(biāo)，SP:. 4=^-
Σα,/η
I=I 盡=丄 I?
I=I
YjCiIn
i=\
?=Λ
i=i
f F1-^-
YjLln
/=1 Gi =~~
Yjgiln
/=1
Σν?
f:=l
Yjhln
i=l
YjJiln
i=\其中ApBiAi,......,Ji分別代表井田構(gòu)造形態(tài)指標(biāo)序列、褶皺發(fā)育指標(biāo)序列、向斜發(fā)育規(guī)模指標(biāo)序列、張性斷裂發(fā)育指標(biāo)序列、富水性指標(biāo)序列、補徑排條件指標(biāo)序列、水溫指標(biāo)序列、溶解性總固定TDS指標(biāo)序列、鈣鎂比值指標(biāo)序列和PH值指標(biāo)序列，，bi，Ci，……，Ji分別代表井田構(gòu)造形態(tài)指標(biāo)、褶皺發(fā)育指標(biāo)、向斜發(fā)育規(guī)模指標(biāo)、張性斷裂發(fā)育指標(biāo)、富水性指標(biāo)、補徑排條件指標(biāo)、水溫指標(biāo)、溶解性總固定TDS指標(biāo)、I丐續(xù)比值指標(biāo)和PH值指標(biāo)，η為選用的序列中所包含的元素個數(shù)； S12,綜合指標(biāo)由上述10個二級指標(biāo)合成,其表達式為: . 7 Ai +Bi +Ci +Di +Ei +Gi +H1 +Ii +J,.Z1- —'10 其中，Zi代表綜合指標(biāo)序列中的第i個元素。
【文檔編號】G06F19/00GK104239708SQ201410452767
【公開日】2014年12月24日 申請日期:2014年9月9日 優(yōu)先權(quán)日:2014年9月9日
【發(fā)明者】連會青, 李文, 徐斌, 夏向?qū)W, 冉偉, 鄭貴強 申請人:北京邁賽富特科技有限責(zé)任公司