基于小波神經網絡的巖溶陷落柱預測方法
【專利摘要】本發明的一種基于小波神經網絡的巖溶陷落柱預測方法屬于水文地質【技術領域】。該預測方法包括如下步驟：使用小波變換方法和神經網絡模型方法建構巖溶陷落柱預測模型，進而確定巖溶陷落柱判別類型，實現巖溶陷落柱預測。進一步，該預測方法具體包括如下步驟：S1，數據采集與特征提取；S2，設計神經網絡結構；S3，訓練神經網絡；S4，判別預測類型。本發明的基于小波神經網絡的巖溶陷落柱預測方法將小波分析方法與BP神經網絡充分結合，從而使巖溶陷落柱的位置判別預測更加科學和準確。
【專利說明】基于小波神經網絡的巖溶陷落柱預測方法
【技術領域】
[0001]本發明涉及水文地質【技術領域】，尤其涉及一種基于小波神經網絡的巖溶陷落柱預測方法。
【背景技術】
[0002]目前，國內外很多專家對陷落柱的位置預測停留在根據經驗類推的水平，沒有借助其他更好的預測模型進行預測，盡管模糊綜合評價法在預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網絡方法預測陷落柱的位置的研究。
【發明內容】
[0003]為了解決上述技術問題，本發明的目的是提供一種基于小波神經網絡的巖溶陷落柱預測方法，該預測方法具有將小波分析方法與BP神經網絡充分結合的特點，且巖溶陷落柱的位置判別預測更加科學和準確。
[0004]本發明的目的是通過以下技術方案實現的:
[0005]一種基于小波神經網絡的巖溶陷落柱預測方法，包括如下步驟:使用小波變換方法和神經網絡模型方法建構巖溶陷落柱預測模型，進而確定巖溶陷落柱判別類型，實現巖溶陷落柱預測。
[0006]進一步的，所述的基于小波神經網絡的巖溶陷落柱預測方法具體包括如下步驟:
[0007]SI，數據采集與特征提取，根據綜合指標信號波特征，采集能夠反映綜合指標特性的波動，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各種運行狀態的綜合指標信號，特征提取之后，將特征向量存于存儲器中；
[0008]S2，設計神經網絡結構，根據輸入特征向量的維數和陷落柱的狀態數確定小波神經網絡的輸入、輸出層節點數，如果巖溶有N種存在狀態，那么網絡輸出層節點數就選為N ;隱含層和輸出層的激活函數分別選用Morlet小波函數和sigmoid函數；
[0009]S3，訓練神經網絡，以信號能量特征向量為訓練樣本輸入向量，訓練樣本輸出向量確定方法為:陷落柱判別狀態假定有2種狀態:存在陷落柱和不存在陷落柱，即狀態I，狀態2，網絡輸出為{y1; y2}，若判別狀態為1，即存在陷落柱，則令yj = Y1,而其余為零，則網絡的輸出向量為{1，0};若判別狀態為2，即不存在陷落柱，則網絡輸出向量為{0，1};利用存儲器中的訓練樣本對網絡進行訓練，使誤差平方和小于誤差目標，并將訓練好的網絡權值和偏差存至存儲器中；
[0010]S4，判別預測類型，利用訓練好的網絡權值和偏差，把待判別的能量特征向量輸入神經網絡，將網絡輸出與訓練樣本輸出向量作比較，判別預測類型。
[0011]通過上述本發明的技術方案，本發明的基于小波神經網絡的巖溶陷落柱預測方法具有將小波分析方法與BP神經網絡充分結合的特點，且巖溶陷落柱的位置判別預測更加科學和準確。
【專利附圖】
【附圖說明】
[0012]圖1為本發明的巖溶陷落柱預測方法的流程框圖；
[0013]圖2為綜合指標的確定方法的流程框圖；
[0014]圖3為訓練神經網絡的流程框圖；
[0015]圖4為判別預測的流程框圖；
[0016]圖5為巖溶陷落柱綜合預測指標體系示意圖。
【具體實施方式】
[0017]下面結合附圖對本發明的【具體實施方式】進行詳細說明:
[0018]一種基于小波神經網絡的巖溶陷落柱預測方法，包括如下步驟:使用小波變換方法和神經網絡模型方法建構巖溶陷落柱預測模型，進而確定巖溶陷落柱判別類型，實現巖溶陷落柱預測。
[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網絡的巖溶陷落柱預測方法具體包括如下步驟:
[0020]SI，數據采集與特征提取。根據綜合指標信號波特征，采集能夠反映綜合指標特性的波動，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序列的能量為元素組成特征向量。雖然神經網絡具有較強的自學習和聯想能力，但是實踐中發現神經網絡的聯想能力是有限的，超出限度，網絡將不給出任何提示而采用錯誤的方式聯想。因此在實際應用該系統時，應盡可能多地采集表征系統各種運行狀態的綜合指標信號，特征提取之后，將特征向量存于存儲器中。
[0021]S2，設計神經網絡結構。根據輸入特征向量的維數和陷落柱的狀態數確定小波神經網絡的輸入、輸出層節點數。如果巖溶有N種存在狀態，那么網絡輸出層節點數就選為N ;隱含層和輸出層的激活函數分別選用Morlet小波函數和sigmoid函數。
[0022]S3，訓練神經網絡。為了讓神經網絡能夠對巖溶陷落柱存在狀態進行識別，首先必須對網絡進行訓練。以信號能量特征向量為訓練樣本輸入向量，訓練樣本輸出向量確定方法為:陷落柱判別狀態假定有2種狀態:存在陷落柱和不存在陷落柱，即狀態1，狀態2，網絡輸出為{y1;y2}，若判別狀態為I，即存在陷落柱，則令y」=Y1，而其余為零，則網絡的輸出向量為{1，0};若判別狀態為2，即不存在陷落柱，則網絡輸出向量為{0，1};利用存儲器中的大量訓練樣本對網絡進行訓練，使誤差平方和小于誤差目標，并將訓練好的網絡權值和偏差存至存儲器中。
[0023]S4，判別預測類型，利用訓練好的網絡權值和偏差，把待判別的能量特征向量輸入神經網絡，將網絡輸出與訓練樣本輸出向量作比較，判別預測類型。
[0024]其中，如圖2和圖5所示,所述的步驟SI中的綜合指標包括10個二級指標,其中，如圖5所示，綜合指標包括2個一級指標(即地質構造因素、巖溶發育動力條件)和10個二級指標(即井田構造形態、褶皺發育、向斜發育規模、張性斷裂發育、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，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分別代表井田構造形態指標序列、褶皺發育指標序列、
向斜發育規模指標序列、張性斷裂發育指標序列、富水性指標序列、補徑排條件指標序列、水溫指標序列、溶解性總固定TDS指標序列、鈣鎂比值指標序列和PH值指標序列，ai； bi；Ci,……，Ji分別代表井田構造形態指標、褶皺發育指標、向斜發育規模指標、張性斷裂發育指標、S水性指標、補徑排條件指標、水溫指標、溶解性總固定TDS指標、I丐續比值指標和PH值指標，η為選用的序列中所包含的元素個數；
[0037]S12，綜合指標由上述10個二級指標合成，其表達式為:
[0038]X.Ai+Bi +Ci +Di +Ei +Fi +Gi +Hi +Ii +Ji(11)
[0039]其中，Zi代表綜合指標序列中的第i個元素。
[0040]本發明是結合小波變換理論與人工神經網絡的思想而構造的一種新的陷落柱預測模型。由于小波變換具有良好的時頻局域化性質，而神經網絡具有自學習功能，并有較強的逼近能力和容錯能力，將小波分析方法與BP神經網絡充分結合后的一種新型小波神經網絡，將二者的優勢結合起來，對于陷落柱綜合預測具有重要的意義。
[0041]經過對華北石炭二疊紀有關煤田巖溶陷落柱形成條件和發育分布規律的全面分析研究，提出華北石炭二疊紀煤田巖溶陷落柱綜合預測指標體系(如圖5所示)。該指標體系以巖溶陷落柱形成條件為主要依據，結合巖溶陷落柱發育分布的一般規律，具體包括2個一級指標和10個二級指標。因為各二級指標在數量級和數量單位上是不同的，因此在將這10個二級指標合成綜合指標時，采取標準化的方法，然后合成綜合指標；接下來圍繞巖溶陷落柱判別預測的綜合指標Z進行分析和預測。
[0042]本發明是一種基于小波神經網絡對巖溶陷落柱進行判別預測的方法，其具體判別過程為:首先是判別信息的獲取，在巖溶陷落柱預測中利用綜合指標信號來獲取判別信息；然后是特征提取，即采用適當的科學的提取方法，從特征信號中提取出巖溶陷落柱的判別特征；最后是狀態識別和判別預測，即采用模式識別技術進行分類，以確定判別類型，其實質就是一個模型識別的過程。
[0043]以上所述，僅為本發明較佳的【具體實施方式】，但本發明的保護范圍并不局限于此，任何熟悉本【技術領域】的技術人員在本發明揭露的技術范圍內，可輕易想到的變化或替換，都應涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應該以權利要求書的保護范圍為準。
【權利要求】
1.一種基于小波神經網絡的巖溶陷落柱預測方法，其特征在于，包括如下步驟: 使用小波變換方法和神經網絡模型方法建構巖溶陷落柱預測模型，進而確定巖溶陷落柱判別類型，實現巖溶陷落柱預測。
2.根據權利要求1所述的基于小波神經網絡的巖溶陷落柱預測方法，其特征在于，包括如下步驟: SI，數據采集與特征提取，根據綜合指標信號波特征，采集能夠反映綜合指標特性的波動，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各種運行狀態的綜合指標信號，特征提取之后，將特征向量存于存儲器中； S2，設計神經網絡結構，根據輸入特征向量的維數和陷落柱的狀態數確定小波神經網絡的輸入、輸出層節點數，如果巖溶有N種存在狀態，那么網絡輸出層節點數就選為N ;隱含層和輸出層的激活函數分別選用Morlet小波函數和sigmoid函數； S3，訓練神經網絡，以信號能量特征向量為訓練樣本輸入向量，訓練樣本輸出向量確定方法為:陷落柱判別狀態假定有2種狀態:存在陷落柱和不存在陷落柱，即狀態1，狀態2，網絡輸出為{y1; y2}，若判別狀態為1，即存在陷落柱，則令y」=y1；而其余為零，則網絡的輸出向量為{1，0};若判別狀態為2，即不存在陷落柱，則網絡輸出向量為{0，1};利用存儲器中的訓練樣本對網絡進行訓練，使誤差平方和小于誤差目標，并將訓練好的網絡權值和偏差存至存儲器中； S4，判別預測類型，利用訓練好的網絡權值和偏差，把待判別的能量特征向量輸入神經網絡，將網絡輸出與訓練樣本輸出向量作比較，判別預測類型。
3.根據權利要求2所述的基于小波神經網絡的巖溶陷落柱預測方法，其特征在于，所述的步驟Si中的綜合指標包括10個二級指標，其確定方法如下: S11，通過下列表達式確定10個二級指標，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分別代表井田構造形態指標序列、褶皺發育指標序列、向斜發育規模指標序列、張性斷裂發育指標序列、富水性指標序列、補徑排條件指標序列、水溫指標序列、溶解性總固定TDS指標序列、鈣鎂比值指標序列和PH值指標序列，，bi，Ci，……，Ji分別代表井田構造形態指標、褶皺發育指標、向斜發育規模指標、張性斷裂發育指標、富水性指標、補徑排條件指標、水溫指標、溶解性總固定TDS指標、I丐續比值指標和PH值指標，η為選用的序列中所包含的元素個數； S12,綜合指標由上述10個二級指標合成,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 優先權日:2014年9月9日
【發明者】連會青, 李文, 徐斌, 夏向學, 冉偉, 鄭貴強 申請人:北京邁賽富特科技有限責任公司