申请/专利权人：西北大学

申请日：2021-08-31

公开（公告）日：2024-03-08

公开（公告）号：CN113947009B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/006;G06N3/044

优先权：

专利状态码：有效-授权

法律状态：2024.03.08#授权;2022.02.08#实质审查的生效;2022.01.18#公开

摘要：本发明属于滑坡预测技术领域，公开一种基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法。针对浅层滑坡易受降雨、库水位及自然环境等外部“小样本”因素影响，建立表示稀疏的LSTM模型，抽取致灾因素本质数据特征，降低弱滑坡致灾影响因素选择空间。其次，针对稀疏LSTM训练层级过深和计算复杂度高，设计SSA模型对LSTM中隐层神经单元数、学习率、批处理数、迭代次数四个超参数寻优；同时设计柯西扰动策略开发全局最优解区域，实现基于表示稀疏的LSTM网络结构紧致性优化，提升滑坡位移预测精度。本发明融合了小样本滑坡数据的稀疏表示能力、LSTM动态预测优势、CSSA算法对网络结构的紧致性优化，有效解决滑坡预测中小样本数据预测能力弱与计算复杂代价高昂问题。

主权项：1.基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法，其特征在于，所述的基于柯西扰动麻雀优化的稀疏LSTM滑坡预测方法包括以下步骤：步骤一，针对浅层滑坡易受降雨、库水位及自然环境外部“小样本”因素影响，建立表示稀疏的LSTM模型，抽取致灾因素本质数据特征，建立数据集；将数据集进行归一化处理，并按8:1:1比例划分为训练集、验证集和测试集；其中，所述数据集使用的是三峡水库地区白家堡滑坡的公开数据集，该数据集包括2007年1月到2018年10月之间每月的降雨量、每月的平均的水库水位、滑坡测试点每月的位移距离；以降雨量和水库水位作为诱发因子对滑坡位移进行预测；步骤二，设计SSA模型对LSTM模型中的超参数寻优，实现LSTM网络中隐层神经单元数、学习率、批处理数、迭代次数四个超参数的协同计算与自适应调整；步骤三，将SSA模型中的麻雀个体按照适应度大小进行排序，由此确定最好的麻雀位置和最坏的麻雀位置，并划分发现者和跟随者种群；其中最好的麻雀位置代表整个种群搜索到具有丰富食物的区域，为所有的加入者提供觅食的区域和方向；步骤四，更新SSA模型中发现者、跟随着、预警者的位置，发现者负责为整个麻雀种群寻找食物并为所有跟随者提供觅食的方向；跟随者会根据发现者的位置获取食物；然后，更新种群中预警者的位置，当意识到危险时，群体边缘的麻雀会迅速向安全区域移动，以获得更好的位置；步骤五，判断SSA模型中的麻雀个体是否陷入局部极值；若陷入局部极值，将柯西函数引入麻雀位置的更新中，借助柯西算子的变异能力，为算法在迭代寻优的过程中增强种群的多样性；并根据个体扰动前后的适应度，来判断是否更改麻雀个体的位置；若没有陷入局部极值，直接执行步骤六；步骤六，判断SSA模型是否满足终止条件；若满足，则结合算法搜索的最佳超参数值构建最终的LSTM预测模型，然后用训练数据、验证数据迭代训练该模型，将训练好的迭代模型通过测试数据得到预测数据；若不满足终止条件，则返回步骤三。

全文数据：

权利要求：

百度查询： 西北大学 基于柯西扰动麻雀优化的稀疏LSTM滑坡动态预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD