一种基于VMD和GA-Elman的滑坡位移预测方法及系统与流程

一种基于vmd和ga-elman的滑坡位移预测方法及系统
技术领域
1.本发明涉及电网地质灾害监测预警的技术领域，尤其涉及一种基于vmd和ga-elman的滑坡位移预测方法及系统。


背景技术：

2.贵州省是典型的卡斯特地貌，全省总面积为17.16万平方千米，其中山地和丘陵区面积占了94.3％。因地形地貌复杂、气候多变等因素的影响，贵州省山地灾害频繁，是我国山地灾害最发育、最活跃、类型最齐全、危害最严重的地区之一。在这些灾害中，滑坡灾害尤为突出。据国土资源部的统计数据显示，贵州省滑坡分布面积达到了12.05万平方公里，占全国滑坡分布面积的14.6％左右。由于电网规划、施工、运行、改造等重要方面需要充分考虑地质信息，频发的滑坡灾害给电网运行带来了极大的安全隐患，严重威胁电网重要基础设施及人民生命财产安全。因此，滑坡研究一直是西南地区电网地质灾害研究领域的热点问题，也是防灾减灾工作的重要方向。
3.在过去的几十年里，研究人员采用各种方法来预测滑坡位移分布。其中常用的滑坡位移分解方法主要4种：时间序列分析、经验模态分解emd、经验模态分eemd和变分模态分解vmd。时间序列分析原理简单，但对位移分解不彻底；emd对位移分解彻底，但分解次数具有随机性，无法明确各分量的物理意义；eemd方法是对emd方法的改进，通过添加随机噪声，可以减少模式混叠现象，提高分解结果的准确性和稳定性，但计算复杂度较高，处理大数据时需要较长的计算时间，信号频率低时噪声辅助效果不显著。而vmd算法是一种自适应完全非递归的模态变化问题，可以有效解决经验模态分解emd的末端效应和模态混叠问题，能自定确定模态分解个数，从而可以将滑坡位移非线性序列分解成几个相对平稳的特征子序列。但对于滑坡位移的预测的准确性问题，还需结合基于遗传算法ga优化的elman神经网络模型，通过ga算法全局搜索求得最优解，弥补了elman神经网络运行速度慢，局部最优的缺点。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有滑坡位移存在模态混叠、分解不平稳和预测准确性的问题，提出了本发明。
6.因此，本发明目的是提供一种基于vmd和ga-elman的滑坡位移预测方法及系统，其目的在于：通过vmd算法可自定确定模态分解个数，从而可以将滑坡位移非线性序列分解成几个相对平稳的特征子序列；通过ga-elman模型在滑坡位移预测研究中具有较强的适用性和准确性，克服了组合模型现阶段存在的结构复杂问题，提高了运行效率和计算性能，大大提高模型预测的精度。
7.为解决上述技术问题，本发明提供如下技术方案：
8.第一方面，本发明提供了一种基于vmd和ga-elman的滑坡位移预测方法，其步骤包括：通过传感器和检测设备收集地表或地下测量的数据和外部影响因素；对数据进行变分模态分解vmd，将复杂信号分解为若干固定频带的imf，并筛选出符合条件的imf；结合灰色关联度分析验证外部影响因素的合理性，进一步验证划分的训练集、验证集与测试集对模型的适用性；对每个imf，构建一个elman神经网络模型，设置参数；执行遗传算法ga，获取误差最小的参数；将误差最小的参数输入到elman神经网络模型，进行模型训练及预测，直到训练设置的终止条件完成。
9.作为本发明所述基于vmd和ga-elman的滑坡位移预测方法的一种优选方案，其中：所述数据包括滑坡位移监测数据预处理，构造出滑坡位移监测数据和外部影响因素的趋势项、周期项、随机项数据集。
10.作为本发明所述基于vmd和ga-elman的滑坡位移预测方法的一种优选方案，其中：对数据进行变分模态vmd分解包括设置约束条件为所有模态之和与原始信号相等，将原始信号f(t)分解为k个分量，其变分信号分解的表达式为：
[0011][0012]
其中，pk表示分解的分量，ωk表示每一个imf的实际频率，α
t
表示狄拉克函数，表示各分量的解析信号，表示每个解析信号的预估频率；通过拉格朗日函数，将约束问题转变为非约束变分问题，采用admm算法解决变分问题，其表达式为：
[0013][0014]
其中，λ表示拉格朗日乘法算子，μ表示二次乘法因子；将式(2)中求得的结果代入式(1)，设置循环过程，进一步提出滑坡位移数据的k个固定频带的imf，通过k个imf分量来还原滑坡位移监测信号，使用vmd算法求解时，pk、ωk、λ
(ω)
的交替迭代寻优如下：
[0015]
[0016]
其中，γ为降噪值，和分别为p
l
(ω)、f(ω)和λ(ω)的傅里叶变换。
[0017]
作为本发明所述基于vmd和ga-elman的滑坡位移预测方法的一种优选方案，其中：vmd分解的迭代步骤为，先进行初始化和λ1，通过赋值n＝n+1实现迭代，更新和当满足且ε＞0，则终止迭代；若不满足，则继续更新和直到满足
[0018]
作为本发明所述基于vmd和ga-elman的滑坡位移预测方法的一种优选方案，其中：结合灰色关联度分析验证外部影响因素的合理性包括滑坡区域的降雨、库区水位变化、气温、地震活动为外部影响因素，将数据进行标准化处理，计算灰色关联度的公式如下：
[0019][0020]
其中，xi(k)和xj(k)是第i个和第j个序列在第k个观测点的值，∈是分辨系数，取值为0.5，ρ(i，j)的取值范围为0到1，值越大，表示滑坡位移与某一外部影响因素的关联度越高。
[0021]
作为本发明所述基于vmd和ga-elman的滑坡位移预测方法的一种优选方案，其中：构建一个elman神经网络模型，设置参数包括设置初始权值和阈值，生成初始种群，获取的初始权值和阈值格式作为个体的编码长度；
[0022]
根据编码长度，随机初始化编码，获取种群中每个个体的初始编码；
[0023]
计算群体中每个个体的适应度值，实现输入值与实测值之间的误差最小，将均方差mse的倒数作为适应度函数，其表达式如下：
[0024][0025]
式中，f(i)为第i个个体的适应度值，msei为第i个个体所确定的网络权值和阈值时的实际输入a与期望输出t之间的均方差，n为网络输入样本总量。
[0026]
作为本发明所述基于vmd和ga-elman的滑坡位移预测方法的一种优选方案，其中：所述执行遗传算法ga包括选择、交叉和变异操作，重复循环进行优化，产生新种群，直到进化次数达到预定次数；获取所述初始权值和阈值，套入设计好的训练集、预测集合测试集，不断更新初始权值和阈值，获得误差最小的初始权值和阈值。
[0027]
第二方面，本发明实施例提供了一基于vmd和ga-elman的滑坡位移预测系统，其包括：用任意一种计算机编程语言，实现权利要求1～7任一所述方法的步骤，并在任意操作系统及任意硬件结构上编译程序及运行。
[0028]
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。
[0029]
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程
序，其中：所述计算机程序被处理器执行时实现上述方法的任一步骤。
[0030]
本发明的有益效果：通过vmd在其他领域信号处理的优越性，可自行设置分解的模态数量，对滑坡位移数据和影响因素数据进行vmd分解，能有效避免emd、eemd等传统方法分解时由于分量数目不确定造成的对分量过度分解或分解不完全现象；通过ga-elman模型优化了神经元的阈值及种群，加快了神经网络训练速度与收敛速率，提高了运行效率和计算性能；针对不同的滑坡位移分量的最优预测结果对应的训练集数目不同，提出了将不同位移分量的时效性设计最优预测效果的组合模型，有效提升了滑坡位移预测的精确度。
附图说明
[0031]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0032]
图1为本发明基于vmd和ga-elman的滑坡位移预测方法及系统的滑坡位移预测整体流程图。
[0033]
图2为本发明基于vmd和ga-elman的滑坡位移预测方法及系统的ga-elman模型训练预测流程图。
[0034]
图3为本发明基于vmd和ga-elman的滑坡位移预测方法的相关度热力图。
具体实施方式
[0035]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0036]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0037]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0038]
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0039]
实施例1
[0040]
参照图1，为本发明第一个实施例，提供了一种基于vmd和ga-elman的滑坡位移预测方法及系统，方法包括以下具体步骤。
[0041]
s1：通过传感器和检测设备收集地表或地下测量的数据和外部影响因素。
[0042]
数据包括滑坡位移监测数据预处理，构造出滑坡位移监测数据和外部影响因素的趋势项、周期项、随机项数据集。
[0043]
s2：对数据进行变分模态分解vmd，将复杂信号分解为若干固定频带的imf，并筛选出符合条件的imf。
[0044]
对数据进行变分模态vmd分解包括设置约束条件为所有模态之和与原始信号相等，将原始信号f(t)分解为k个分量，其变分信号分解的表达式为：
[0045][0046]
其中，pk表示分解的分量，ωk表示每一个imf的实际频率，α
t
表示狄拉克函数，表示各分量的解析信号，表示每个解析信号的预估频率；
[0047]
通过拉格朗日函数，将约束问题转变为非约束变分问题，采用admm算法解决变分问题，其表达式为：
[0048][0049]
其中，λ表示拉格朗日乘法算子，μ表示二次乘法因子；
[0050]
将式(2)中求得的结果代入式(1)，设置循环过程，进一步提出滑坡位移数据的k个固定频带的imf，通过k个imf分量来还原滑坡位移监测信号，使用vmd算法求解时，pk、ωk、λ
(ω)
的交替迭代寻优如下：
[0051][0052]
其中，γ为降噪值，和分别为p
l
(ω)、f(ω)和λ(ω)的傅里叶变换。
[0053]
vmd分解的迭代步骤为，首先进行初始化和λ1，通过赋值n＝n+1实现迭代，更新和当满足且ε＞0，ε为精度收敛判据，则终止迭代；若不满足，则继续更新和直到满足
[0054]
s3：结合灰色关联度分析验证外部影响因素的合理性，进一步验证划分的训练集、验证集与测试集对模型的适用性。
[0055]
结合灰色关联度分析验证外部影响因素的合理性包括滑坡区域的降雨、库区水位变化、气温、地震活动为外部影响因素，将数据进行标准化处理，计算灰色关联度的公式如下：
[0056][0057]
其中，xi(k)和xj(k)是第i个和第j个序列在第k个观测点的值，∈是分辨系数，取值为0.5，ρ(i，j)的取值范围为0到1，值越大，表示滑坡位移与某一外部影响因素的关联度越高。
[0058]
s4：对每个imf构建elman神经网络模型，设置参数。
[0059]
构建elman神经网络模型，设置参数包括设置初始权值和阈值，生成初始种群，获取的初始权值和阈值格式作为个体的编码长度；
[0060]
根据编码长度，随机初始化编码，获取种群中每个个体的初始编码；
[0061]
计算群体中每个个体的适应度值，实现输入值与实测值之间的误差最小，将均方差mse的倒数作为适应度函数，其表达式如下：
[0062][0063]
式中，f(i)为第i个个体的适应度值，msei为第i个个体所确定的网络权值和阈值时的实际输入a与期望输出t之间的均方差，n为网络输入样本总量
[0064]
s5：执行遗传算法ga，获取误差最小的参数。
[0065]
执行遗传算法ga包括选择、交叉和变异操作，重复循环进行优化，产生新种群，直到进化次数达到预定次数；获取初始权值和阈值，套入设计好的训练集、预测集合测试集，不断更新初始权值和阈值，获得误差最小的初始权值和阈值。
[0066]
s6：将误差最小的参数输入到elman神经网络模型，进行模型训练及预测，直到训练设置的终止条件完成。
[0067]
进一步的，一种基于vmd和ga-elman的滑坡位移预测系统，基于上述的基于vmd和ga-elman的滑坡位移预测方法，包括用任意一种计算机编程语言，实现上述方法的步骤，并在任意操作系统及任意硬件结构上编译程序及运行。
[0068]
本实施例还提供一种计算机设备，适用于基于vmd和ga-elman的滑坡位移预测方法的情况，包括存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的电力台区户变关系识别方法。
[0069]
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行
提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、运营商网络、nfc(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0070]
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的基于vmd和ga-elman的滑坡位移预测方法。
[0071]
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
[0072]
综上，本发明通过vmd算法和ga-elman模型的有效配合，vmd算法可自定确定模态分解个数，将滑坡位移非线性序列分解成几个相对平稳的特征子序列，ga-elman模型在滑坡位移预测研究中具有较强的适用性和准确性，克服了组合模型现阶段存在的结构复杂问题，提高了运行效率和计算性能，从而提高模型预测的精度。
[0073]
实施例2
[0074]
参照图1-图3，为本发明的第二个实施例，该实施例不同于第一个实施例的是：提供了本发明方法在贵州省滑坡位移的一个具体应用。
[0075]
s1：通过传感器和检测设备收集地表或地下测量的数据和外部影响因素。
[0076]
采用vmd算法将滑坡累计位移数据分解为趋势项位移、周期项位移和随机项位移三个序列，同时将外部影响因素分解为周期和随机项。
[0077]
根据研究发现，贵州省滑坡灾害多发生在夏季和秋季，其中7月至9月滑坡频率最高，因为贵州省夏季降雨较多且多集中在这几个月份，导致土壤饱和度增加，滑坡变形明显。利用滑坡现场监测到的时间序列为2019年7月至2022年6月的数据作为研究对象，覆盖了4个干湿循环周期。将2019年7月至2021年7月的数据作为训练集，2021年8月至2022年3月作为验证集，2022年4月至2022年6月的数据作为测试集。
[0078]
s2：对数据进行变分模态分解vmd，将复杂信号分解为若干固定频带的imf，并筛选出符合条件的imf。
[0079]
vmd算法对位移数据分解的核心思想是构造变分问题，设置约束条件为所有模态之和与原始信号相等，将原始信号f(t)分解为k个分量，确定惩罚参数α与上升步长τ；其变分信号分解的表达式为：
[0080][0081]
其中，pk表示分解的分量，ωk表示每一个imf的实际频率，α
t
表示狄拉克函数，表示各分量的解析信号，表示每个解析信号的预估频率；
[0082]
通过拉格朗日函数，将约束问题转变为非约束变分问题，采用admm算法解决变分
问题，其表达式为：
[0083][0084]
其中，λ表示拉格朗日乘法算子，μ表示二次乘法因子；
[0085]
将式(2)中求得的结果代入式(1)，设置循环过程，进一步提出滑坡位移数据的k个固定频带的imf，通过k个imf分量来还原滑坡位移监测信号，使用vmd算法求解时，pk、ωk、λ
(ω)
的交替迭代寻优如下：
[0086][0087]
其中，γ为降噪值，和分别为p
l
(ω)、f(ω)和λ(ω)的傅里叶变换。
[0088]
vmd分解的迭代步骤为，先进行初始化和λ1，通过赋值n＝n+1实现迭代，更新和当满足且ε＞0，ε为精度收敛判据，则终止迭代；若不满足，则继续更新和直到满足
[0089]
针对滑坡累计位移数据进行式(3)的vmd分解，选取k＝4进行研究，即将原始滑坡累计位移数据分解为4个子序列，将占位移数据比重较大、频率为中的imf1与imf2合并作为趋势项，将周期项好、频率低的imf3作为周期项，将频率较高的imf4作为随机项；分解结果中的趋势项、周期项、随机项效果明显。
[0090]
针对外部影响因素，选取滑坡区域的降雨、库区水位变化、气温为外部影响因素，因外部影响因素不存在趋势项，故设置k＝2，利用vmd对外部影响因素进行自适应分解，分解为周期项和随机项两个序列。
[0091]
其中，将季节性的降雨量、库区水位、气温会间接影响滑坡的位移变形定义的为周期项；人工活动、地震等外部因素导致滑坡位移发生形变的定义为随机项。
[0092]
滑坡位移数据经过vmd分解后，会得到如下几类部分包括高频部分为这一部分通常包含了原始信号中的高频波动，这可能由滑坡的短期变动、噪声或其他快速变化的因素引起；中频部分：这一部分包含了原始信号中的中频波动，可能反映了滑坡的季节性变化或其他周期性变动；低频部分：这一部分包含了原始信号中的低频波动，通常反映了滑坡的长期趋势或背景变化。
[0093]
s3：结合灰色关联度分析验证外部影响因素的合理性，进一步验证划分的训练集、验证集与测试集对模型的适用性。
[0094]
按照不同组训练集内所包含的数据个数对分解出来的滑坡位移数据与影响因素数据进行灰色关联度分析，进一步验证划分的训练集、验证集与测试集对模型的适用性。
[0095]
结合灰色关联度分析验证外部影响因素的合理性包括滑坡区域的降雨量、库区水位、气温、地震活动为外部影响因素，将数据进行标准化处理，计算灰色关联度的公式如下：
[0096][0097]
其中，xi(k)和xj(k)是第i个和第j个序列在第k个观测点的值，∈是分辨系数，取值为0.5，ρ(i，j)的取值范围为0到1，值越大，表示滑坡位移与某一外部影响因素的关联度越高。
[0098]
如图3所示，通过将分解的高频部分、低频部分和中频部分的数据与降雨量、库区水位、气温、地震活动进行灰色关联度计算得到如图3所示的相关度热力图，从图中可以看出降雨量和气温与高频部分和低频部分有超过0.6以上的关联度，说明降雨量和气温的变化对滑坡位移有较大的影响。
[0099]
elman神经网络是一种反馈式神经网络，可以考虑到时间序列数据的动态变化，是进行滑坡位移的预测的理想模型，但其缺点是对于初始权值的选择比较敏感，且收敛速度慢，容易陷入局部最小值；故提出了一种基于遗传算法ga优化的elman神经网络模型，借助ga可以处理多目标优化问题、具有全局搜索能力和自适应性的特点去训练初始权值和阈值，以此改变elman依赖梯度下降法来调整网络权值的思想，综合利用遗传算法和神经网络的优势，提高模型的预测精度和稳定性。
[0100]
s4：对每个imf构建elman神经网络模型，设置参数。
[0101]
构建elman神经网络模型，设置参数包括设置初始权值和阈值，生成初始种群，获取的初始权值和阈值格式作为个体的编码长度；
[0102]
根据编码长度，随机初始化编码，获取种群中每个个体的初始编码；
[0103]
计算群体中每个个体的适应度值，实现输入值与实测值之间的误差最小，将均方差mse的倒数作为适应度函数，其表达式如下：
[0104][0105]
式中，f(i)为第i个个体的适应度值，msei为第i个个体所确定的网络权值和阈值时的实际输入a与期望输出t之间的均方差，n为网络输入样本总量。
[0106]
s5：执行遗传算法ga，获取误差最小的参数。
[0107]
执行遗传算法ga包括选择、交叉和变异操作，重复循环进行优化，产生新种群，直到进化次数达到预定次数；获取初始权值和阈值，套入设计好的训练集、预测集合测试集，
不断更新初始权值和阈值，获得误差最小的初始权值和阈值。
[0108]
s6：将误差最小的参数输入到elman神经网络模型，进行模型训练及预测，直到训练设置的终止条件完成。
[0109]
通过s5和s6基于遗传算法ga优化的elman模型组合训练及预测分别将趋势项分量数据集、周期项分量数据集、随机项分量数据集带入ga-elman模型进行了预测，结合rmse、mape、mse、r2等评价指标对结果进行比较。
[0110]
根据拟合结果对比，发现趋势项基础训练数据量在40周时，模型预测效果最好；周期项基础训练数据量在20周时，模型预测效果最好；随机项基础训练数据量在80周时，模型预测效果最好；位移基础训练数据量在20周时，模型预测效果从整体上达到了最优，但是局部没有最优。
[0111]
因此，提出了将不同位移分量的时效性设计最优预测效果的组合模型将趋势项在40周时的最优模型、周期项在20周的最优模型及随机项在80周的最优模型进行组合，再对测试集进行预测。
[0112]
经过拟合验证，测试集的实际模型与模型预测值的两条曲线基本接近，进一步验证了组合模型的调优可以提升滑坡模型预测的精准度。
[0113]
为验证vmd与ga-elman组合模型的有效性与可行性，分别将elman模型、ga-elman模型与vmd-ga-elman模型进行数据比较，结果证明了在vmd算法的基础上，结合ga-elman模型能实现对滑坡位移的有效预测。
[0114]
如表1所示，当mape越接近于0说明模型越接近完美，当mse越接近于0，说明误差越小，模型越准确，当r2越接近于1，表明回归平方和占总平方和的比例越大，回归的拟合程度就越好，当rmse值越小，说明误差越小，越接近完美模型；因此，相比elman模型和ga-elman模型，基于vmd-ga-elman的组合模型预测效果最好，通过评价指标rmse、mape、r2、mape可以看出，本文提出的组合模型达到最优。
[0115]
表1 vmd-ga-elman组合模型实验对比结果
[0116][0117]
综上，通过vmd在其他领域信号处理的优越性，可自行设置分解的模态数量，对滑坡位移数据和影响因素数据进行vmd分解，有效避免emd、eemd等传统方法分解时由于分量数目不确定造成的对分量过度分解或分解不完全现象；基于遗传算法ga优化的elman神经网络组合模型ga-elman，优化了神经元的阈值及种群，加快了神经网络训练速度与收敛速率，提高了运行效率和计算性能。
[0118]
针对不同的滑坡位移分量的最优预测结果对应的训练集数目不同，提出了将不同位移分量的时效性设计最优预测效果的组合模型，有效提升了滑坡位移预测的精确度。
[0119]
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于vmd和ga-elman的滑坡位移预测方法，其特征在于：包括如下步骤，通过传感器和检测设备收集地表或地下测量的数据和外部影响因素；对数据进行变分模态分解vmd，将复杂信号分解为若干固定频带的imf，并筛选出符合条件的imf；结合灰色关联度分析验证外部影响因素的合理性，进一步验证划分的训练集、验证集与测试集对模型的适用性；对每个imf构建elman神经网络模型，设置参数；执行遗传算法ga，获取误差最小的参数；将误差最小的参数输入到elman神经网络模型，进行模型训练及预测，直到训练设置的终止条件完成。2.根据权利要求1所述的基于vmd和ga-elman的滑坡位移预测方法，其特征在于：所述数据包括滑坡位移监测数据预处理，构造出滑坡位移监测数据和外部影响因素的趋势项、周期项、随机项数据集。3.根据权利要求2所述的基于vmd和ga-elman的滑坡位移预测方法，其特征在于：所述对数据进行变分模态vmd分解包括设置约束条件为所有模态之和与原始信号相等，将原始信号f(t)分解为k个分量，其变分信号分解的表达式为：其中，p
k
表示分解的分量，ω
k
表示每一个imf的实际频率，α
t
表示狄拉克函数，表示各分量的解析信号，表示每个解析信号的预估频率；通过拉格朗日函数，将约束问题转变为非约束变分问题，采用admm算法解决变分问题，其表达式为：其中，λ表示拉格朗日乘法算子，μ表示二次乘法因子；将式(2)中求得的结果代入式(1)，设置循环过程，进一步提出滑坡位移数据的k个固定频带的imf，通过k个imf分量来还原滑坡位移监测信号，使用vmd算法求解时，p
k
、ω
k
、λ
(ω)
的交替迭代寻优如下：
其中，γ为降噪值，和分别为p
l
(ω)、f(ω)和λ(ω)的傅里叶变换。4.根据权利要求3所述的基于vmd和ga-elman的滑坡位移预测方法，其特征在于：所述vmd分解的迭代步骤为，先进行初始化和λ1，通过赋值n＝n+1实现迭代，更新和当满足且ε＞0，ε为精度收敛判据，则终止迭代；若不满足，则继续更新和直到满足5.根据权利要求4所述的基于vmd和ga-elman的滑坡位移预测方法，其特征在于：所述结合灰色关联度分析验证外部影响因素的合理性包括滑坡区域的降雨、库区水位变化、气温、地震活动为外部影响因素，将数据进行标准化处理，计算灰色关联度的公式如下：其中，x
i
(k)和x
j
(k)是第i个和第j个序列在第k个观测点的值，∈是分辨系数，取值为0.5，ρ(i，j)的取值范围为0到1，值越大，表示滑坡位移与某一外部影响因素的关联度越高。6.根据权利要求5所述的基于vmd和ga-elman的滑坡位移预测方法，其特征在于：所述构建elman神经网络模型，设置参数包括设置初始权值和阈值，生成初始种群，获取的初始权值和阈值格式作为个体的编码长度；根据编码长度，随机初始化编码，获取种群中每个个体的初始编码；计算群体中每个个体的适应度值，实现输入值与实测值之间的误差最小，将均方差mse的倒数作为适应度函数，其表达式如下：式中，f(i)为第i个个体的适应度值，mse
i
为第i个个体所确定的网络权值和阈值时的实际输入a与期望输出t之间的均方差，n为网络输入样本总量。
7.根据权利要求6所述的基于vmd和ga-elman的滑坡位移预测方法，其特征在于：所述执行遗传算法ga包括选择、交叉和变异操作，重复循环进行优化，产生新种群，直到进化次数达到预定次数；获取所述初始权值和阈值，套入设计好的训练集、预测集合测试集，不断更新初始权值和阈值，获得误差最小的初始权值和阈值。8.一种基于vmd和ga-elman的滑坡位移预测系统，基于权利要求1～7任一所述的基于vmd和ga-elman的滑坡位移预测方法，其特征在于：用任意一种计算机编程语言，实现权利要求1～7任一所述方法的步骤，并在任意操作系统及任意硬件结构上编译程序及运行。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述方法的步骤。

技术总结
本发明公开了一种基于VMD和GA-Elman的滑坡位移预测方法及系统，包括如下步骤，通过传感器和检测设备收集地表或地下测量的数据和外部影响因素；对数据进行变分模态分解VMD，将信号分解为若干固定频带的IMF，并筛选出符合条件的IMF；结合灰色关联度分析验证外部影响因素，进一步验证划分的训练集、验证集与测试集对模型的适用性；对每个IMF构建Elman神经网络模型，设置参数；执行遗传算法GA，获取误差最小的参数；将误差最小的参数输入到Elman神经网络模型，进行模型训练及预测，直到训练设置的终止条件完成。本发明通过VMD算法和GA-Elman模型的有效配合，可自定确定模态分解个数，将滑坡位移非线性序列分解成几个相对平稳的特征子序列，提高模型预测的精度。提高模型预测的精度。提高模型预测的精度。


技术研发人员：刘卓娅 邓松 文屹 欧阳广泽 曹雷 罗鑫 张啟黎 颜康 吴建蓉 郑友卓 肖书舟 魏延勋 李书耀 赵军 赵强飞
受保护的技术使用者：贵州电网有限责任公司
技术研发日：2023.05.26
技术公布日：2023/10/7