CN104239708A - 基于小波神经网络的岩溶陷落柱预测方法 - Google Patents

Abstract

本发明的一种基于小波神经网络的岩溶陷落柱预测方法属于水文地质技术领域。该预测方法包括如下步骤：使用小波变换方法和神经网络模型方法建构岩溶陷落柱预测模型，进而确定岩溶陷落柱判别类型，实现岩溶陷落柱预测。进一步，该预测方法具体包括如下步骤：S1，数据采集与特征提取；S2，设计神经网络结构；S3，训练神经网络；S4，判别预测类型。本发明的基于小波神经网络的岩溶陷落柱预测方法将小波分析方法与BP神经网络充分结合，从而使岩溶陷落柱的位置判别预测更加科学和准确。

Description

基于小波神经网络的岩溶陷落柱预测方法

技术领域

本发明涉及水文地质技术领域，尤其涉及一种基于小波神经网络的岩溶陷落柱预测方法。

背景技术

目前，国内外很多专家对陷落柱的位置预测停留在根据经验类推的水平，没有借助其他更好的预测模型进行预测，尽管模糊综合评价法在预测方面取得了一定的进展，但到目前为止，尚且没有进行小波神经网络方法预测陷落柱的位置的研究。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于小波神经网络的岩溶陷落柱预测方法，该预测方法具有将小波分析方法与BP神经网络充分结合的特点，且岩溶陷落柱的位置判别预测更加科学和准确。

本发明的目的是通过以下技术方案实现的：

一种基于小波神经网络的岩溶陷落柱预测方法，包括如下步骤：使用小波变换方法和神经网络模型方法建构岩溶陷落柱预测模型，进而确定岩溶陷落柱判别类型，实现岩溶陷落柱预测。

进一步的，所述的基于小波神经网络的岩溶陷落柱预测方法具体包括如下步骤：

S1，数据采集与特征提取，根据综合指标信号波特征，采集能够反映综合指标特性的波动，对其离散化后，进行N层的小波分解，以各层高频小波分解系数序列的能量为元素组成特征向量，尽可能多地采集表征***各种运行状态的综合指标信号，特征提取之后，将特征向量存于存储器中；

S2，设计神经网络结构，根据输入特征向量的维数和陷落柱的状态数确定小波神经网络的输入、输出层节点数，如果岩溶有N种存在状态，那么网络输出层节点数就选为N；隐含层和输出层的激活函数分别选用Morlet小波函数和sigmoid函数；

S3，训练神经网络，以信号能量特征向量为训练样本输入向量，训练样本输出向量确定方法为：陷落柱判别状态假定有2种状态：存在陷落柱和不存在陷落柱，即状态1，状态2，网络输出为{y₁，y₂}，若判别状态为1，即存在陷落柱，则令y_j＝y₁，而其余为零，则网络的输出向量为{1，0}；若判别状态为2，即不存在陷落柱，则网络输出向量为{0，1}；利用存储器中的训练样本对网络进行训练，使误差平方和小于误差目标，并将训练好的网络权值和偏差存至存储器中；

S4，判别预测类型，利用训练好的网络权值和偏差，把待判别的能量特征向量输入神经网络，将网络输出与训练样本输出向量作比较，判别预测类型。

通过上述本发明的技术方案，本发明的基于小波神经网络的岩溶陷落柱预测方法具有将小波分析方法与BP神经网络充分结合的特点，且岩溶陷落柱的位置判别预测更加科学和准确。

附图说明

图1为本发明的岩溶陷落柱预测方法的流程框图；

图2为综合指标的确定方法的流程框图；

图3为训练神经网络的流程框图；

图4为判别预测的流程框图；

图5为岩溶陷落柱综合预测指标体系示意图。

具体实施方式

下面结合附图对本发明的具体实施方式进行详细说明：

一种基于小波神经网络的岩溶陷落柱预测方法，包括如下步骤：使用小波变换方法和神经网络模型方法建构岩溶陷落柱预测模型，进而确定岩溶陷落柱判别类型，实现岩溶陷落柱预测。

进一步地，如图1、图2、图3和图4所示，所述的基于小波神经网络的岩溶陷落柱预测方法具体包括如下步骤：

S1，数据采集与特征提取。根据综合指标信号波特征，采集能够反映综合指标特性的波动，对其离散化后，进行N层的小波分解，以各层高频小波分解系数序列的能量为元素组成特征向量。虽然神经网络具有较强的自学习和联想能力，但是实践中发现神经网络的联想能力是有限的，超出限度，网络将不给出任何提示而采用错误的方式联想。因此在实际应用该***时，应尽可能多地采集表征***各种运行状态的综合指标信号，特征提取之后，将特征向量存于存储器中。

S2，设计神经网络结构。根据输入特征向量的维数和陷落柱的状态数确定小波神经网络的输入、输出层节点数。如果岩溶有N种存在状态，那么网络输出层节点数就选为N；隐含层和输出层的激活函数分别选用Morlet小波函数和sigmoid函数。

S3，训练神经网络。为了让神经网络能够对岩溶陷落柱存在状态进行识别，首先必须对网络进行训练。以信号能量特征向量为训练样本输入向量，训练样本输出向量确定方法为：陷落柱判别状态假定有2种状态：存在陷落柱和不存在陷落柱，即状态1，状态2，网络输出为{y₁，y₂}，若判别状态为1，即存在陷落柱，则令y_j＝y₁，而其余为零，则网络的输出向量为{1，0}；若判别状态为2，即不存在陷落柱，则网络输出向量为{0，1}；利用存储器中的大量训练样本对网络进行训练，使误差平方和小于误差目标，并将训练好的网络权值和偏差存至存储器中。

S4，判别预测类型，利用训练好的网络权值和偏差，把待判别的能量特征向量输入神经网络，将网络输出与训练样本输出向量作比较，判别预测类型。

其中，如图2和图5所示，所述的步骤S1中的综合指标包括10个二级指标，其中，如图5所示，综合指标包括2个一级指标(即地质构造因素、岩溶发育动力条件)和10个二级指标(即井田构造形态、褶皱发育、向斜发育规模、张性断裂发育、富水性、补径排条件、水温、溶解性总固定TDS、钙镁比值和PH值)分别为其确定方法如下：

S11，通过下列表达式确定10个二级指标，即：

$A_i=\frac{a_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i/n}---\left(1\right)$

$B_i=\frac{b_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i/n}---\left(2\right)$

$C_i=\frac{c_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i/n}---\left(3\right)$

$D_i=\frac{d_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i/n}---\left(4\right)$

$E_i=\frac{e_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{e}_i/n}---\left(5\right)$

$F_i=\frac{f_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i/n}---\left(6\right)$

$G_i=\frac{g_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{g}_i/n}---\left(7\right)$

$H_i=\frac{h_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{h}_i/n}$

$I_i=\frac{i_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{i}_i/n}$

$J_i=\frac{j_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{j}_i/n}---\left(10\right)$

其中A_i，B_i，C_i，......，J_i分别代表井田构造形态指标序列、褶皱发育指标序列、向斜发育规模指标序列、张性断裂发育指标序列、富水性指标序列、补径排条件指标序列、水温指标序列、溶解性总固定TDS指标序列、钙镁比值指标序列和PH值指标序列，a_i，b_i，c_i，……，j_i分别代表井田构造形态指标、褶皱发育指标、向斜发育规模指标、张性断裂发育指标、富水性指标、补径排条件指标、水温指标、溶解性总固定TDS指标、钙镁比值指标和PH值指标，n为选用的序列中所包含的元素个数；

S12，综合指标由上述10个二级指标合成，其表达式为：

$Z_i=\frac{A_i+B_i+C_i+D_i+E_i+F_i+G_i+H_i+I_i+J_i}{10}---\left(10\right)$

其中，Z_i代表综合指标序列中的第i个元素。

本发明是结合小波变换理论与人工神经网络的思想而构造的一种新的陷落柱预测模型。由于小波变换具有良好的时频局域化性质，而神经网络具有自学习功能，并有较强的逼近能力和容错能力，将小波分析方法与BP神经网络充分结合后的一种新型小波神经网络，将二者的优势结合起来，对于陷落柱综合预测具有重要的意义。

经过对华北石炭二叠纪有关煤田岩溶陷落柱形成条件和发育分布规律的全面分析研究，提出华北石炭二叠纪煤田岩溶陷落柱综合预测指标体系(如图5所示)。该指标体系以岩溶陷落柱形成条件为主要依据，结合岩溶陷落柱发育分布的一般规律，具体包括2个一级指标和10个二级指标。因为各二级指标在数量级和数量单位上是不同的，因此在将这10个二级指标合成综合指标时，采取标准化的方法，然后合成综合指标；接下来围绕岩溶陷落柱判别预测的综合指标Z进行分析和预测。

本发明是一种基于小波神经网络对岩溶陷落柱进行判别预测的方法，其具体判别过程为：首先是判别信息的获取，在岩溶陷落柱预测中利用综合指标信号来获取判别信息；然后是特征提取，即采用适当的科学的提取方法，从特征信号中提取出岩溶陷落柱的判别特征；最后是状态识别和判别预测，即采用模式识别技术进行分类，以确定判别类型，其实质就是一个模型识别的过程。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (3)

1.一种基于小波神经网络的岩溶陷落柱预测方法，其特征在于，包括如下步骤：

使用小波变换方法和神经网络模型方法建构岩溶陷落柱预测模型，进而确定岩溶陷落柱判别类型，实现岩溶陷落柱预测。

2.根据权利要求1所述的基于小波神经网络的岩溶陷落柱预测方法，其特征在于，包括如下步骤：

S1，数据采集与特征提取，根据综合指标信号波特征，采集能够反映综合指标特性的波动，对其离散化后，进行N层的小波分解，以各层高频小波分解系数序列的能量为元素组成特征向量，尽可能多地采集表征***各种运行状态的综合指标信号，特征提取之后，将特征向量存于存储器中；

S2，设计神经网络结构，根据输入特征向量的维数和陷落柱的状态数确定小波神经网络的输入、输出层节点数，如果岩溶有N种存在状态，那么网络输出层节点数就选为N；隐含层和输出层的激活函数分别选用Morlet小波函数和sigmoid函数；

S3，训练神经网络，以信号能量特征向量为训练样本输入向量，训练样本输出向量确定方法为：陷落柱判别状态假定有2种状态：存在陷落柱和不存在陷落柱，即状态1，状态2，网络输出为{y₁，y₂}，若判别状态为1，即存在陷落柱，则令y_j＝y₁，而其余为零，则网络的输出向量为{1，0}；若判别状态为2，即不存在陷落柱，则网络输出向量为{0，1}；利用存储器中的训练样本对网络进行训练，使误差平方和小于误差目标，并将训练好的网络权值和偏差存至存储器中；

S4，判别预测类型，利用训练好的网络权值和偏差，把待判别的能量特征向量输入神经网络，将网络输出与训练样本输出向量作比较，判别预测类型。

3.根据权利要求2所述的基于小波神经网络的岩溶陷落柱预测方法，其特征在于，所述的步骤S1中的综合指标包括10个二级指标，其确定方法如下：

S11，通过下列表达式确定10个二级指标，即：

$A_i=\frac{a_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{a}_i/n}$

$B_i=\frac{b_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i/n}$

$C_i=\frac{c_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{c}_i/n}$

$D_i=\frac{d_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{d}_i/n}$

$B_i=\frac{b_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{b}_i/n}$

$F_i=\frac{f_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_i/n}$

$G_i=\frac{g_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{g}_i/n}$

$H_i=\frac{h_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{h}_i/n}$

$I_i=\frac{i_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{i}_i/n}$

$J_i=\frac{j_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{j}_i/n}$

其中A_i，B_i，C_i，......，J_i分别代表井田构造形态指标序列、褶皱发育指标序列、向斜发育规模指标序列、张性断裂发育指标序列、富水性指标序列、补径排条件指标序列、水温指标序列、溶解性总固定TDS指标序列、钙镁比值指标序列和PH值指标序列，a_i，b_i，c_i，……，j_i分别代表井田构造形态指标、褶皱发育指标、向斜发育规模指标、张性断裂发育指标、富水性指标、补径排条件指标、水温指标、溶解性总固定TDS指标、钙镁比值指标和PH值指标，n为选用的序列中所包含的元素个数；

S12，综合指标由上述10个二级指标合成，其表达式为：

$Z_i=\frac{A_i+B_i+C_i+D_i+E_i+F_i+G_i+H_i+I_i+J_i}{10}$

其中，Z_i代表综合指标序列中的第i个元素。