利索能及
我要发布
收藏
专利号: 2022108243256
申请人: 四川轻化工大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-06-16
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于LSTM的突发型滑坡位移预测方法,包括以下步骤:

步骤一:根据滑坡监测实测的累计位移序列,计算得到其变形速率序列;

步骤二:按“流转训练”方法,通过集合经验模态分解(EEMD)将变形速率序列分解得到周期项及趋势项;

步骤三:通过多项式拟合对趋势项变形速率进行预测,得到趋势项预测变形速率;

步骤四:根据周期项变形速率序列,设置周期项LSTM预测网络的相关参数,建立“流转训练”的周期项动态LSTM预测网络对周期项变形速率进行预测,并由趋势项预测变形速率及周期项预测变形速率相加,得到主预测变形速率;

步骤五:将主预测变形速率与残差预测变形速率相加,得到总预测变形速率;

步骤六:根据下一循环的实测位移数据得到下一循环的实际变形速率后,将该实际变形速率与总预测变形速率相减,得到残差变形速率;

步骤七:每个循环将计算得到的残差变形速率加入残差变形速率序列,并设置残差LSTM预测网络的相关参数,通过“流转训练”的方式,建立基于残差变形速率序列的动态残差LSTM预测网络,每计算一个循环对下一循环的残差预测变形速率进行预测;

步骤八:将总预测变形速率与最新一次实测位移相加,得到对下一循环的位移预测数据;

步骤九:返回步骤二,重复以上步骤,每计算一个循环,可对下一次的位移进行预测。

2.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,所述LSTM方法包括周期项LSTM预测网络、残差LSTM预测网络;

周期项LSTM预测网络:采用周期项变形速率数据序列为输入,求得周期项变形速率预测值;残差LSTM预测网络:采用变形速率数据实际值与总预测变形速率值的差值数据序列,即残差变形速率为输入,求得残差预测变形速率。

3.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,步骤二中,通过“流转训练”的方式采用EEMD对由位移监测数据序列得到的位移变形速率序列进行分解,得到变形速率的趋势项及周期项;

所谓“流转训练”,是指每获取一次位移监测数据,都要对位移及变形速率序列进行更新,并重新进行训练的动态方法。

4.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,步骤三中,进行多项式拟合时,会根据均方根误差(RMSE)来判定拟合精度,并在3 5阶内自动选择~多项式拟合的阶数。

5.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,步骤四中,设置的“流转训练”的动态周期项LSTM预测网络,其相关参数包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数。

6.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,步骤四与步骤七中,所述的周期项LSTM预测网络及残差LSTM预测网络均分为输入层、隐含层和输出层,神经网络的训练由多次迭代组成,每次迭代都要进行正向传播及反向传播;

对于正向传播,采用当前时间步的输入和上个时间步的输出进行运算,得到当前时间步的输出,来建立输入和输出间的关系以及输出间的历史相关性,其计算过程为;

其中 分别为遗忘门、输入门、当前输入单元状态、

当前时刻单元状态、输出、最终输出; 分别为遗忘门、输入门、当

前输入单元状态、输出的权重矩阵; 分别为遗忘门、输入门、当前输

入单元状态、输出的权重矩阵的偏置项;  表示两个向量连接为一个更长向量;

为sigmoid函数, 为将实数映射到 的双正切函数;

对于反向传播,对计算每个参数及隐藏状态的梯度进行计算;首先,计算最后一个时间步的隐藏状态及参数,其次再计算倒数第二个时间步的隐藏状态及参数,依次类推;在得到每个参数的梯度后,使用每个参数减去梯度的设定倍数来完成反向传播。

7.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,步骤四中与步骤七,建立“流转训练”的周期项LSTM预测网络与残差LSTM预测网络时,每次建立网络均采用已有数据的最后一个进行验证,其余数据用于网络训练,并对下一次主变形速率数据进行预测,每次循环加入一次新的实测数据,都要进过一次重新训练,建立全新的周期项LSTM预测网络和残差LSTM预测网络进行预测。

8.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,残差预测变形速率初始值设置为0;设残差LSTM预测网络的起始循环数为a,则在2 (a‑1)次循环~中,其残差预测变形速率即为上一循环得到的实际变形数据与总预测变形速率的插值,不通过残差LSTM预测网络进行预测;自第a次循环起,采用“流转训练”的残差LSTM预测网络预测残差预测变形速率。

9.如权利要求1所述的一种基于LSTM的突发型滑坡位移预测方法,其特征在于,步骤七中,设置的残差LSTM预测网络的相关参数除了包括输入层层数、输出层层数、隐含层节点数、初始学习率、网络训练次数,还包括残差LSTM预测网络启动的起始循环数。