[发明专利]一种模糊神经网络模型及深基坑变形智能预测方法

权利要求书

1.一种基于多变量相空间重构的模糊神经网络模型，其特征在于该模糊神经网络模型包括模糊化接口（1）、模糊规则知识库（2）、模糊推理机（3）和反模糊器（4）四个功能模块，其中：模糊化接口（1）将检测输入变形变量的清晰值根据其模糊度划分和隶属度函数转换成合适的模糊值；模糊规则知识库（2）中存储有关基坑变形领域知识和要求的控制目标，每一条模糊规则知识在基坑变形预测推理中的权重，由人工神经网络的学习机制来动态调整；模糊推理机（3）模拟人基于模糊概念的推理能力，利用模糊规则库中的模糊“if-then”规则，将已有事实转换成某种推理结果；反模糊器（4）将模糊结果转化为实际用于深基坑变形预测的清晰量。

2.一种利用权利要求1所述的模糊神经网络模型对深基坑变形进行智能预测的方法，其特征在于该方法包括以下步骤：

步骤一、选取基坑变形动态变化的主要影响因素，

影响基坑变形的因素包括开挖深度D、地下水位W、测点深度H1、桩的刚度EI、桩的入土深度H2、基坑开挖面以上的土的粘聚力的加权平均值基坑开挖面以上的土的内摩擦角的加权平均值基坑开挖面以上的土的重度的加权平均值基坑开挖面以下的土的粘聚力的加权平均值基坑开挖面以下的土的内摩擦角的加权平均值以及基坑开挖面以下的土的重度的加权平均值根据具体问题和数据收集难易程度选取变量序列；

步骤二、确定延滞时间τ和嵌入维数m，

对于基坑应力动态的多变量时间序列的时间延迟τ和嵌入维数m的选取，需针对各变量子序列{x_i，n}，采用单变量时间序列确定延迟时间和嵌入维数的方法来分别选取各变量子序列的延滞时间τ_i和各变量子序列的嵌入维数m_i，然后利用所得的参数按照式（1）对基坑变形动态的多变量时间序列进行相空间重构得到N-J₀+1个相点V_n，

Vn=(x1,n,x1,n-τ1,...,x1,n-(m1-1)τ1,x2,n,x2,n-τ2,...,x2,n-(m2-1)τ2]]>

,...,xM,n,xM,n-τn,...,xM,n-(mM-1)τM)]]>

(n＝J₀,J₀+1，…,N)     （1）

式中，J₀＝max(m_i-1)τ_i+1，τ_i和m_i分别为延迟时间和嵌入维数，i＝1,2,…,M；

步骤三、利用偏最小二乘回归法提取主成分，

对基坑应力动态的多变量时间序列重构得到的每个相点V_n，首先按式（2）对V_n进行标准化处理，再利用式（3）和式（4）进行主成分提取，并采用交叉有效性检验方法，利用式（5）计算R_k，以R_k达到最小值时所对应的k值作为提取的主成分数，得到互不相关的k个主成分t₁,t₂,…,t_k，构成主成分转化矩阵T，具体步骤如下：

记基坑应力模型中某一实测变量为y∈R^q，所述实测变量为因变量，由包括开挖深度D、地下水位W、测点深度H1、桩的刚度EI、桩的入土深度H2、基坑开挖面以上的土的粘聚力的加权平均值基坑开挖面以上的土的内摩擦角的加权平均值基坑开挖面以上的土的重度的加权平均值基坑开挖面以下的土的粘聚力的加权平均值基坑开挖面以下的土的内摩擦角的加权平均值以及基坑开挖面以下的土的重度的加权平均值在内的若干影响因子组成的p个自变量为{x₁,x₂,…x_p}，为了研究因变量与自变量的统计关系，采集q个样本点，构成自变量与因变量的数据表X＝(x₁,x₂,…,x_p)_q×p和Y＝(y)_q×1，偏最小二乘回归建模基本步骤可归纳如下：

1）对数据进行标准化处理，记E₀和F₀分别为X和Y经标准化处理后的数据矩阵

E0i=(xi-E(xi))/Sxi(i=1,2,...,p)E0=(E01,E02,...,E0p)q×pF0=(y-E(y))/Sy---(2)]]>

式中：E(x_i)和E(y)分别为x_i和y的均值；和S_y分别为x_i和y的均方差，

2）分别从E₀和F₀中提取第1个主成分t₁＝E₀w₁和u₁＝F₀c₁，其中w₁和c₁分别是E₀和F₀的第1个主轴，且||w₁||＝1，c₁＝1，分别作E₀和F₀对主成分t₁的回归方程:

E0=E1+t1p1T]]>F₀＝F₁+r₁t₁   （3）

式中:p₁和r₁表示相应的回归系数向量，E₁和F₁表示上述回归方程的残差。

3）以E₁和F₁分别代替E₀和F₀用上述方法提取第2个主成分t₂＝E₁w₂和u₂＝F₁r₂、以及E₀和F₀的第2个主轴w₂，其中分别作E₁和F₁对t₂的回归方程:

E1=E2+t2p2T]]>F₁＝F₂+r₂t₂   （4）

式中：p2=E1Tt2/||t2||2,]]>r2=F1Tt2/||t2||2,]]>

4）重复上述方法，直至推求出第h个主成分t_h和r_h、以及E₀和F₀的第h个主轴，h＝3,4,…,A，A为X的秩，

5）采用交叉有效性检验，步骤为：

选用t₁,t₂,…,t_h中的前k个主成分，k<A，k的选取方法如下：除去某个样本点i后的所有样本点组成新的样本，使用k个主成分拟合一个回归方程，得到y_i在样本点i上的拟合值对每一个样本点重复上述计算，并定义y的预测误差平方根和为ER_k，有

ERk=Σi=1n(yi-y^k(-i))2---(5)]]>

当ER_k最小时，此时的k即为所求的主成分数；

步骤四、构建并训练所述模糊神经网络模型，

根据偏最小二乘回归得到的k个主成分，以k作为模糊神经网络模型的输入层节点数，输出层的节点为1，隐含层节点数通过试错法确定，从重构基坑应力多变量时间序列中提取学习样本，经主成分转换矩阵T转换后构成训练集，对网络进行训练，直至达到误差精度要求为止，

以基坑变形的历史数据为时间序列，采用多步滚动实时预测方法，利用前步的变形历史数据建立模糊神经网络预测模型，用以预测第n+1步的变形；继续施工，监测得到第n+1步的实际变形数据后，将第n+1步的变形值加入输入向量，再预测第n+2步的变形，如此反复，直至基坑施工完毕；

步骤五、预测变形结果，

网络模型训练成功后，以此时的网络模型参数进行预测，将最后m维相空间相点V_n通过主成分转换矩阵T提取k个主成分加入到网络输入中，对基坑位移变化量x_1,N+1进行预测。