基于BP神经网络的矿山GPS数据时间序列预测分析

龙源期刊网 http://www.qikan.com.cn

基于BP神经网络的矿山GPS数据时间序列预测分析

作者：赵永未 杨力纲 袁兴明

来源：《科技创新导报》2011年第34期

摘 要：随着全球经济的发展，天然资源受到了过度的开采，使得地质灾害日益严重。而地面变形塌陷灾害是一种很重要的地质灾害。为了减少矿区周围危害的发生，本论文利用GPS对矿山地表岩移观测得到的数据，采用MATLAB神经网络方法建立GPS数据时间序列预测模型，并且成功的预测出了未来一期的地表移动变化。应用结果表明，神经网络是很好的处理非线性动态数据，能够反映出要素之间的非线性关系，计算精度高，预测准确度高，具有较强的实用性。

关键词：GPS数据时间序列 地表移动 神经网络 变形监测 TP183

Abstract:With the global economic development, natural resources have been over-exploitation, the increasingly serious geological disasters. In order to reduce the occurrence of hazards around the mines, we use the date of GPS observation on the mine surface moving and use the forecasting model of MATLAB neural network to establish the GPS data time series and success predict a change of future in ground movement. The application results is show that the neural network is a good way to deal with the nonlinear dynamic data, it can reflect the nonlinear relationship between the elements with high precision, forecast accuracy and has strong practicability.

Key words:GPS data time series surface movement neural network deformation monitoring 1 引言

地面变形塌陷灾害是一种很重要的地质灾害,这种地面变形灾害给城市建设、工业生产、人民生活带来很大的危害和损失。所以，近些年来，地面变形问题引起了人们的广泛关注,也是世界上许多国家共同面临和亟待解决的社会公害之一。

矿山在开采过程中，由于将生矿体和伴生的碎石采出后，地下形成了大小规模不统一的采空区空间，在重力作用和岩石的应力不均衡等种种因素影响下，地表出现移动变化。当变形量不超过一定范围时,不会造成危害,而当变形量超过变形体所能承受的允许范围时,则往往会带来严重的灾难。世界各国每年都发生许多灾害，而许多灾害的发生与变形有着极为密切的联系,因而, 在测量工程的实践和科学研究活动中,变形观测占有非常重要的位置[1,2]。

龙源期刊网 http://www.qikan.com.cn

近些年来，矿难事故发生频繁，往往造成巨大的人员伤亡和经济损失，受到政府和社会的广泛关注，大型矿难事故已经成为国内灾难性事故的标杆。因此采取科学的手段，进一步加强对矿区岩体变形情况的及时有效地观测，并结合观测数据进行预测分析是保证矿区安全生产、人员安全、避免灾难性事故的重要手段[3]。 2 变形监测理论

在矿区地表建立岩移观测站，采用GPS接收机对监测点进行周期观测。GPS的应用是测量技术的一项革命性变革。在变形监测方面，与传统方法相比较，应用GPS不仅具有精度高、速度快、操作简便等优点，而且利用GPS和计算机技术、数据通讯技术及数据处理与分析技术进行集成，可实现从数据采集、传输、管理到变形分析及预报的自动化，达到远程在线网络实时监控的目的。GPS变形监测可以实现测站间无需通视、可同时提供三维坐标、全天候观测、检测精度高、操作方便等[1]。

根据时间工作面的要求布设了两条走向线和两条倾向线。监测网如下图所示： 图 1 地表岩移观测网的布设 3 BP神经网络模型原理

Error Back Propagation神经网络简称BP神经网络，次模型采用的是一种利用观测数据误差反向传播的算法。BP神经网络有一个输入层，一个或者多个隐含层和一个输出层组成，此方法是一种监督式的学习算法。这种算法的具体方法是通过调节网络的权值和阈值使输出层的误差平方和达到最小，也就是让预测的数据尽可能正确的逼近期望值[4,5]。 3.1 BP网络的拓扑结构

由于BP网络是有三部分组成的，组成流程如下图。通过组成图我们可以看出，在神经网络里面层与层之间采用的是全互联方式，间一层的节点之间不存在相互连接。下图是一个三层网络结构图，图中，表示输入层的输入，表示从输入层节点到隐含层节点的连接权值，表示隐含层的输出，表示从隐含层节点到输出层节点的连接权值；表示输出层的输出。其中，下标i、k、j分别表示输入节点、隐含节点和输出节点；n、l、m分别表示输入节点、隐含节点和输出节点的数量[3,4]。

图2 BP神经网络拓扑结构图

通过上图神经网络的拓扑结构可以看出，利用选点的层次数、各层的节点和转移函数以及确定各层之间节点的链接权值，我们可以确定神经网络的输入、输出关系。 3.2 BP网络的学习算法

本文来源：https://www.bwwdw.com/article/pz88.html