CN117350146A - 一种基于ga-bp神经网络的排水管网健康性评价方法 - Google Patents
一种基于ga-bp神经网络的排水管网健康性评价方法 Download PDFInfo
- Publication number
- CN117350146A CN117350146A CN202311162236.0A CN202311162236A CN117350146A CN 117350146 A CN117350146 A CN 117350146A CN 202311162236 A CN202311162236 A CN 202311162236A CN 117350146 A CN117350146 A CN 117350146A
- Authority
- CN
- China
- Prior art keywords
- neural network
- pipe network
- health
- network
- drainage pipe
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 63
- 230000036541 health Effects 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010353 genetic engineering Methods 0.000 claims description 3
- 230000036449 good health Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013173 literature analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000009466 transformation Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012854 evaluation process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 230000007547 defect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000009933 burial Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000009439 industrial construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于GA‑BP神经网络的排水管网健康性评价方法,属于排水管网健康评估技术领域。通过分析影响排水管网健康性的各类因素,确定排水管网健康性评价指标体系;建立BP神经网络层级结构,确定BP神经网络的输入和输出;采用遗传算法对BP神经网络结构权值和阈值进行优化筛选,并对GA‑BP神经网络模型效果进行评价;使用最终确定的GA‑BP模型对排水管网健康性进行评价。本发明使用的GA‑BP模型可解释性强,克服了以往排水管网健康性评估过程中评价主观性高的问题,便于确定管网检测优先级,有助于管网设施安全运维和灾害风险主动管理,同时也为管网优化改造提供决策支持。
Description
技术领域
本发明涉及排水管网健康评估技术领域,尤其是涉及一种基于GA-BP神经网络的排水管网健康性评价方法。
背景技术
我国排水管网资产庞大,是市政设施必不可少的组成部分,其关系着城市工业建设和居民生活正常运转。排水管网设施的改造、规划、设计、建设及工程验收过程进行管理是城市排水管理部门的重要业务内容之一。部分管道管龄时间长、管网老化等现象,排水管网安全运行面临严峻挑战,排水管网风险评价受到越来越多的关注。
目前排水管网修复和维护较为随意,评估过程也较简单,甚至不评估而直接根据管龄来替换,导致资源浪费。要改变这一现象,在对官网修复或维护之前需事先对管网进行***的风险评价。而现排水管网风险评价多采用层次分析法进行权重分析,然后利用模糊综合评价法确定风险等级,评价过于主观,故需要一种更为准确可靠的评价方法。
发明内容
本发明的目的是提供一种基于GA-BP神经网络的排水管网健康性评价方法,通过遗传算法优化BP神经网络的权值和阈值,克服了BP神经网络算法在计算过程易陷入局部最小值、泛化能力不稳定的缺点,评价模型及参数可解释性强,确定管网检测优先级,有助于管网设施安全运维和灾害风险的主动管理,对排水管网的健康性风险评价更为准确、可靠。
为实现上述目的,本发明提供了一种基于GA-BP神经网络的排水管网健康性评价方法,步骤如下:
S1、分析影响排水管网健康性的各类因素,根据地区实际排水条件,结合文献分析法和国家标准要求,明确指标体系构建原则,确定排水管网健康性评价指标体系;
S2、确定BP神经网络结构的输入、输出变量,并对输入层节点个数、输出层节点个数、隐含层节点个数进行数据预处理,建立BP神经网络层次结构,训练BP神经网络结构;
S3、设置遗传算法改进BP神经网络参数,包括编码设定、确定种群规模、选取适应度函数、遗传操作设定,根据遗传算法对确定的BP神经网络结构权值和阈值进行优化筛选,获得GA-BP神经网络模型;
S4、根据最终确定的GA-BP神经网络结构对排水管网健康性进行评价,将排水管道健康性分为r1较高风险、r2高风险、r3中风险、r4低风险四个等级,确定排水管网运维修护的优先级,为管网优化改造提供决策支持,科学地制定管道改造优化方案。
优选的,步骤S1中的评价指标体系分为三个层次:
1)目标层,排水管网健康性U;
2)管网的本体因素U1、外部因素U2、环境因素U3三个方面的影响;
3)本体因素U1、外部因素U2、环境因素U3三个影响因素各自的子影响因素。
优选的,步骤S2具体包括:
S21、确定隐含层数量和隐含层神经元数,隐含层的传递函数为sigmoid函数,输出层的传递函数为线性函数;
S22、通过步骤S21中的函数,得到预测值与实测值并计算均方根误差和回归R值,比较选取RMSE最小、相关系数R值最大时的隐含层节点数,为模型最佳参数;
S23、输入层和输出层的设计:确定输入层的10个评估指标赋分值作为输入参数,以管网健康性评价指标中10个评估指标作为输入层,以排水管道健康性等级为目标输出值;
S24、数据预处理:自变量包括连续型变量与分类变量,二项分类变量按0-1编码,0表示未发生过破损的管道,1表示发生过破损的管道,多分类变量采用哑变量编码。
优选的,步骤S3中,进行BP神经网络训练之前先将种群个体作为BP神经网络参数,通过BP神经网终给出结果的误差,计算种群个体的适应度,对适应度好的个体执行遗传操作设定,根据遗传算法将最优个体作为BP神经网络结构的初始权值和阈值,再由BP算法按负梯度方向进行快速调整权值和阈值;
并采用混淆矩阵方法GA-BP神经网络模型的效果进行评价,采用ROC曲线通过预测结果对样例进行排序。
优选的,步骤S3中,
遗传算法编码:编码长度L的编码方式为实数编码
L=n×h+h×m+h+m
其中,n为输入层神经元数,h为隐含层的节点数量,m为输出层神经元数;
确定种群规模:设置在10-20之间;
确定适应度函数:种群中每个个体适应度值F的计算公式为
F=A∑|PK-tK|
其中,F为适应度值,A为系数,tk为对应实际输出值。
优选的,遗传操作设定包括选择操作、交叉操作、变异操作;
选择操作:采用轮盘赌发,基于适应度比例的选择策略,每个个体i的选择概率Pi为
其中,fi为个体i的适应度值,n为种群个体数目;
交叉操作:第k个染色体bk和第l个染色体bl在j位的交叉,具体交公式为
bKj=bKj(1-a)+bIja
bIj=bIj(1-a)+bKja
变异操作:第i个个体第j个基因的变异,具体变异操作为
其中,bmin是基因bij的下界,bmax是基因bij的上届,r1是随机数,g为迭代次数,Gmax是最大进化次数。
因此,本发明采用上述结构的一种基于GA-BP神经网络的排水管网健康性评价方法,实现的有益效果为:
本发明选取管网设备本体因素、外部因素和环境三个角度指标类型,选取相对的影响因素作为子指标,并采用遗传算法优化BP神经网络的权值和阈值,克服了BP神经网络算法在计算过程易陷入局部最小值、泛化能力不稳定的缺点,使模型的性能更优,对排水管网的健康性风险评价更为准确、可靠。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的流程图;
图2为本发明排水管网健康性指标体系图;
图3为本发明排水管网健康性各指标的数据类型与单位图;
图4为本发明三层BP神经网络结构图;
图5为本发明GA-BP神经网络流程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
如图1-5所示,本发明提供了一种基于GA-BP神经网络的排水管网健康性评价方法,步骤如下:
一、(步骤S1)分析影响排水管网健康性的各类因素,根据地区实际排水条件,结合文献分析法和国家标准要求,明确指标体系构建原则(完备性原则、代表性原则、可操作量化原则),确定排水管网健康性评价指标体系。
如图2-3所示,评价指标体系分为三个层次:
1)目标层,排水管网健康性U;
2)管网的本体因素U1、外部因素U2、环境因素U3三个方面的影响;
3)本体因素U1、外部因素U2、环境因素U3三个影响因素各自的子影响因素。
管网健康性评估相关的指标主要包括:管道自身结构特性、管道荷载与作用、边界条件及耐久性。本发明结合以往研究成果,并参照《城镇排水管道结构等级评定》(DB11/T1492-2017)和《城镇排水管道检测与评估技术规程》(CJJ181-2012)和等标准规范,结合地区温度、地质和排水条件确定排水管网健康险评价体系。
从管道结构性因素、外部因素和环境因素三个方面选取管龄、管材、管径、管道长度、管道埋深、管道流速、运行压力、道路类别、天气温度、管道周边建设程度作为评价指标。
BP(Back Propagation)神经网络模型,即反馈式神经网络模型,是目前最成熟而广泛的神经网络模型之一,依靠大量神经元的复杂连接可以形成一个非线性动态***;它一般由输入层、隐含层和输出层组成。
网络运行时,输入数据在层与层之间从前到后传播,每一层的输出只影响下一层;此外,同一层中的神经元既不直接连接,也不存在任何干扰;神经元之间的误差必然从后向前传播,直到误差达到设定精度,网络才会根据实际输出与预期输出之间的误差停止调整权值和阈值。
二、(步骤S2)确定BP神经网络结构的输入、输出变量,并对输入层节点个数、输出层节点个数、隐含层节点个数进行数据预处理,建立BP神经网络层次结构,训练BP神经网络结构。
如图4所示,具体步骤为:
S21、确定隐含层数量:BP神经网络主要靠隐含层来发挥其学习能力,对于隐含层层数的选取需要根据问题的特性来决定。
S22、确定隐含层神经元数:若隐层神经元过多会增加网络计算量,容易出现过拟合问题;若隐形神经元太少会则影响网络性能,无法达到预期的结果。网络中隐层神经元的数量直接与实际问题的复杂性、输入输出层神经元的数量以及期望误差的设置有关;
隐含层的传递函数为sigmoid函数,又称双曲正切S形函数,公式为
输出层采用线性函数作为传递函数,一般采用tansig函数,公式为
通过上述函数得到预测值与实测计算均方根误差(RMSE)和回归R值,比较选取RMSE最小,相关系数R值最大时的隐含层节点数,即为模型最佳参数,公式为
S23、输入层和输出层的设计:确定输入层的10个评估指标赋分值作为输入参数,以管网健康性评价指标中10个评估指标{U11,U12,U13,U14,U21,U22,U23,U31,U32,U33}作为输入层;
以排水管道健康性等级为目标输出值;将排水管道健康性分为四个等级,因此输出层神经元个数为4。
S24、数据预处理:自变量有连续型变量与分类变量;对二项分类变量按0-1编码,0表示未发生过破损的管道,1表示发生过破损的管道;多分类变量的属性值是平行关系,不能以其数值大小定义其含义,需采用哑变量编码。即指标体系中,管材、道路类别、天气温度、周周建设程度为多平行分类变量,采用哑变量编码;管龄、管径、管道长度、管道埋深、管道流速、运行压力采进行最大最小法对数据进行标准化。
其它评价指标数据的量纲、量级存在较大差异,需采用最大最小法作对数据进行标准化,将输入、输出数据统一量纲并归到0~1区间内,避免数据样本数量级与量纲不同带来的影响,且缩小误差加快神经网络收敛速度,公式为
其中,y为新样本数据,x为原始数据,xmax为原始数据序列的最大值;xmin为原始数据序列的最小值。
样本集中80%用于训练集,20%用于测试集,前者用于对排水管网健康性预测模型进行训练,后者用于对排水管网健康性预测模型进行验证。
遗传算法(Genetic Algorithm)是由达尔文进化论中自然选择和自然遗传演化而来,能够模拟遗传机制和物种进化规律,进而形成一种并行随机搜索优化方法;具有全局搜索能力、操作简单、鲁棒性和自主学习较强的能力;
为解决BP神经网络易陷入局部最优、隐含层结构不易确定和实时性差等问题,将其与遗传算法相结合,构成GA-BP神经网络优化算法;通过利用遗传算法强大的全局搜索能力进行优化,使得优化后的权值和阈值满构建的适应度要求,再将优化后权值和阈值赋予BP网络。
三、(步骤S3)如图5所示,设置遗传算法改进BP神经网络参数,包括编码设定、确定种群规模、选取适应度函数、遗传操作设定,根据遗传算法对确定的BP神经网络结构权值和阈值进行优化筛选,获得GA-BP神经网络模型。
进行BP神经网络训练之前先将种群个体作为BP神经网络参数,通过BP神经网终给出结果的误差,计算种群个体的适应度,对适应度好的个体执行遗传操作设定,根据遗传算法将最优个体作为BP神经网络结构的初始权值和阈值,再由BP算法按负梯度方向进行快速调整权值和阈值;
并采用混淆矩阵方法GA-BP神经网络模型的效果进行评价,采用ROC曲线通过预测结果对样例进行排序。
1)遗传算法编码:编码类型主要有二进制编码和实数编码这两种类型,二进制编码虽然较为简易但是有着组成长度过长的缺点,因此采用实数编码作为编码方式编码长度L计算公式如下
L=n×h+h×m+h+m
其中,n为输入层神经元数,h为隐含层的节点数量,m为输出层神经元数。
2)确定种群规模:种群规模并没有统一的标准,通常设置在10-20之间。
3)确定适应度函数:适应度函数是评判种群个体好坏程度的评价函数,将其作为优化搜索的依据,种群中每个个体适应度值F的计算公式为
F=A∑|PK-tK|
其中,F为适应度值,A为系数,tk为对应实际输出值。
遗传操作设定包括选择操作、交叉操作、变异操作:
a)选择操作:采用轮盘赌发,基于适应度比例的选择策略,每个个体i的选择概率Pi为
其中,fi为个体i的适应度值,n为种群个体数目;
b)交叉操作:交叉概率越大,收敛到最优解范围的速度越快,但过大的交叉概率,使模型收敛于某个特定解,之后的寻优操作无法进行;
第k个染色体bk和第l个染色体bl在j位的交叉,具体交公式为
bKj=bKj(1-a)+bIja
bIj=bIj(1-a)+bKja
c)变异操作:变异指将提前选定好的个体按照设定的概率改变基因段的某个,变异概率一般为0.001-0.1之间。若变异概率过大,整个过程振荡;变异概率过小,很难搜索到最优解;
第i个个体第j个基因的变异,具体变异操作为
其中,bmin是基因bij的下界,bmax是基因bij的上届,r1是随机数,g为迭代次数,Gmax是最大进化次数。
终止进化代数通常在50-100之间选取;
用遗传算法优化后的BP神经网络初始权值和阙值,设定初始训练参数,采用训练样本训练BP神经网络结构。
采用混淆矩阵方法对模型效果进行评价:假定nij表示被分类为j类的i类样本数,K为样本种类,第i类样本的查全率Ri为下式
采用ROC曲线通过预测结果对样例进行排序,以FPR为横轴,TPR为纵轴绘制的曲线即为ROC曲线。计算真正例率(TPR)和假正例率(FPR),真正例率表示当前分到正例样本中实际正例占所有正例的比例;假正例率表示当前被错误分到正例样本类别中而实际属于负例占所有负例样本总数的比例,公式为
其中,TP为真正例,表示样本实际为正例,且模型预测结果为正例的样本;FP为假正例,表示样本实际为负例但模型预测结果为正例;TN为真反例,表示样本实际为负例且模型预测结果为负例;FP为假反例,表示样本实际为正例但模型预测结果为负例。
四、(步骤S4)根据最终确定的GA-BP神经网络结构对排水管网健康性进行评价,将排水管道健康性分为r1较高风险、r2高风险、r3中风险、r4低风险四个等级R=(r1,r2,r3,r4),确定排水管网运维修护的优先级,为管网优化改造提供决策支持,科学地制定管道改造优化方案。
r1较高风险:指管网无法满足预期功能,需要马上更新,具有明显恶化迹象,损坏的可能性极高,需要马上进行维护;
r2高风险:指管网处于不可靠状态并低于设计标准,将会直接影响其功能和安全,需要对管网进行维护计划定制;
r3中风险:指管网处于一般正常状态,已有一般劣化迹象,需要对管网进行定期监测;
r4低风险:指满足预期功能要求,管道处于良好状态,基本不用管理。
因此,本发明采用一种基于GA-BP神经网络的排水管网健康性评价方法,选取管网设备本体因素、外部因素和环境三个角度指标类型,选取相对的影响因素作为子指标,并采用遗传算法优化BP神经网络的权值和阈值,克服了BP神经网络算法在计算过程易陷入局部最小值、泛化能力不稳定的缺点,使模型的性能更优,对排水管网的健康性风险评价更为准确、可靠。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于GA-BP神经网络的排水管网健康性评价方法,其特征在于,步骤如下:
S1、分析影响排水管网健康性的各类因素,根据地区实际排水条件,结合文献分析法和国家标准要求,明确指标体系构建原则,确定排水管网健康性评价指标体系;
S2、确定BP神经网络结构的输入、输出变量,并对输入层节点个数、输出层节点个数、隐含层节点个数进行数据预处理,建立BP神经网络层次结构,训练BP神经网络结构;
S3、设置遗传算法改进BP神经网络参数,包括编码设定、确定种群规模、选取适应度函数、遗传操作设定,根据遗传算法对确定的BP神经网络结构权值和阈值进行优化筛选,获得GA-BP神经网络模型;
S4、根据最终确定的GA-BP神经网络结构对排水管网健康性进行评价,将排水管道健康性分为r1较高风险、r2高风险、r3中风险、r4低风险四个等级,确定排水管网运维修护的优先级。
2.根据权利要求1所述的一种基于GA-BP神经网络的排水管网健康性评价方法,其特征在于:步骤S1中的评价指标体系分为三个层次:
1)目标层,排水管网健康性U;
2)管网的本体因素U1、外部因素U2、环境因素U3三个方面的影响因素;
3)本体因素U1、外部因素U2、环境因素U3三个影响因素各自的子影响因素。
3.根据权利要求2所述的一种基于GA-BP神经网络的排水管网健康性评价方法,其特征在于:步骤S2具体包括:
S21、确定隐含层数量和隐含层神经元数,隐含层的传递函数为sigmoid函数,输出层的传递函数为线性函数;
S22、通过步骤S21中的函数,得到预测值与实测值并计算均方根误差和回归R值,比较选取RMSE最小、相关系数R值最大时的隐含层节点数,为模型最佳参数;
S23、输入层和输出层的设计:确定输入层的10个评估指标赋分值作为输入参数,以管网健康性评价指标中10个评估指标作为输入层,以排水管道健康性等级为目标输出值;
S24、数据预处理:自变量包括连续型变量与分类变量,二项分类变量按0-1编码,0表示未发生过破损的管道,1表示发生过破损的管道,多分类变量采用哑变量编码。
4.根据权利要求3所述的一种基于GA-BP神经网络的排水管网健康性评价方法,其特征在于:步骤S3中,进行BP神经网络训练之前先将种群个体作为BP神经网络参数,通过BP神经网终给出结果的误差,计算种群个体的适应度,对适应度好的个体执行遗传操作设定,根据遗传算法将最优个体作为BP神经网络结构的初始权值和阈值,再由BP算法按负梯度方向进行快速调整权值和阈值;
并采用混淆矩阵方法GA-BP神经网络模型的效果进行评价,采用ROC曲线通过预测结果对样例进行排序。
5.根据权利要求4所述的一种基于GA-BP神经网络的排水管网健康性评价方法,其特征在于:步骤S3中,
遗传算法编码:编码长度L的编码方式为实数编码
L=n×h+h×m+h+m
其中,n为输入层神经元数,h为隐含层的节点数量,m为输出层神经元数;
确定种群规模:设置在10-20之间;
确定适应度函数:种群中每个个体适应度值F的计算公式为
F=A∑|PK-tK|
其中,F为适应度值,A为系数,tk为对应实际输出值。
6.根据权利要求5所述的一种基于GA-BP神经网络的排水管网健康性评价方法,其特征在于:遗传操作设定包括选择操作、交叉操作、变异操作;
选择操作:采用轮盘赌发,基于适应度比例的选择策略,每个个体i的选择概率Pi为
其中,fi为个体i的适应度值,n为种群个体数目;
交叉操作:第k个染色体bk和第l个染色体bl在j位的交叉,具体交公式为
bKj=bKj(1-a)+bIja
bIj=bIj(1-a)+bKja
变异操作:第i个个体第j个基因的变异,具体变异操作为
其中,bmin是基因bij的下界,bmax是基因bij的上届,r1是随机数,g为迭代次数,Gmax是最大进化次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162236.0A CN117350146A (zh) | 2023-09-08 | 2023-09-08 | 一种基于ga-bp神经网络的排水管网健康性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162236.0A CN117350146A (zh) | 2023-09-08 | 2023-09-08 | 一种基于ga-bp神经网络的排水管网健康性评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117350146A true CN117350146A (zh) | 2024-01-05 |
Family
ID=89370069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311162236.0A Pending CN117350146A (zh) | 2023-09-08 | 2023-09-08 | 一种基于ga-bp神经网络的排水管网健康性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350146A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709204A (zh) * | 2024-02-05 | 2024-03-15 | 国网湖北省电力有限公司经济技术研究院 | 一种极端环境下杆塔稳定性评价方法、***及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014101636A1 (zh) * | 2012-12-31 | 2014-07-03 | 北京邮电大学 | 一种电力通信网风险评估方法 |
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及*** |
-
2023
- 2023-09-08 CN CN202311162236.0A patent/CN117350146A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014101636A1 (zh) * | 2012-12-31 | 2014-07-03 | 北京邮电大学 | 一种电力通信网风险评估方法 |
CN108009639A (zh) * | 2017-12-13 | 2018-05-08 | 重庆邮电大学 | 一种基于ga-bp神经网络算法的城市生态建设评价方法 |
CN108520345A (zh) * | 2018-03-29 | 2018-09-11 | 华南农业大学 | 基于ga-bp神经网络模型的耕地质量评价方法及*** |
Non-Patent Citations (1)
Title |
---|
邓伟锋 等: "基于GA优化BP神经网络的微电网蓄电池健康状态评估", 电测与仪表, 10 November 2018 (2018-11-10), pages 63 - 67 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117709204A (zh) * | 2024-02-05 | 2024-03-15 | 国网湖北省电力有限公司经济技术研究院 | 一种极端环境下杆塔稳定性评价方法、***及设备 |
CN117709204B (zh) * | 2024-02-05 | 2024-05-07 | 国网湖北省电力有限公司经济技术研究院 | 一种极端环境下杆塔稳定性评价方法、***及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280553B (zh) | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 | |
CN111105332B (zh) | 一种基于人工神经网络的高速公路智能预养护方法及*** | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和*** | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
Wang et al. | Research on prediction of environmental aerosol and PM2. 5 based on artificial neural network | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN116721537A (zh) | 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法 | |
CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
CN112735097A (zh) | 一种区域滑坡预警方法及*** | |
CN117350146A (zh) | 一种基于ga-bp神经网络的排水管网健康性评价方法 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和*** | |
CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN113435124A (zh) | 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
CN116579768A (zh) | 一种发电厂在线仪表运维管理方法及*** | |
Shang et al. | Research on intelligent pest prediction of based on improved artificial neural network | |
CN114372631A (zh) | 一种基于小样本学习和lstm的缺资料地区径流预测方法 | |
CN112434887B (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |