买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：东华理工大学

摘要：本发明公开了一种基于CNN‑LSTM的地下水运移影响下的滑坡深部位移预测方法，包括如下步骤：步骤1：采集深部位移和地下水位数据，并进行数据插补和处理异常值。步骤2：将处理后的数据以时间顺序合并为数据矩阵，并拆解为训练集和测试集。步骤3：将训练集输入CNN，输出特征数据。步骤4：将特征数据输入LSTM，得到输出数据即为一次预测结果，根据预测结果计算损失函数，对CNN和LSTM进行参数优化，通过多次迭代，找到最佳参数。步骤5：将最佳参数作为模型的最终参数，将测试集输入CNN‑LSTM，所得的预测结果即为CNN‑LSTM的最终预测结果。本发明采用CNN和LSTM相结合的方法，考虑了地下水位对深部位移的影响，且充分利用了数据，使预测结果稳定性和准确性大大提高。

主权项：1.一种基于CNN-LSTM的地下水运移影响下的滑坡深部位移预测方法，其特征在于，包括如下步骤：步骤1：采集滑坡数据，包括深部位移数据和地下水位数据，由于外部干扰，原始滑坡数据常存在数据缺失和数据异常，在进行数据预测前进行数据插补和处理异常值；步骤2：构建训练数据，将所述步骤1处理后的深部位移数据和地下水位数据以时间顺序合并为数据矩阵，将前80％数据作为训练集，后20％数据作为测试集；步骤3：将所述步骤2的训练集作为CNN输入数据，使用CNN方法提取并融合深部位移数据和地下水位数据的数据特征，CNN过程如下式：Yi,j＝δ[w]*[Xi,j]+b 式中，Yi,j为CNN输出的特征数据，δ为tanh激活函数，*为卷积符号，[w]为二维卷积核，[Xi,j]为卷积区域内的滑坡深部位移和地下水位，m为数据所在行数行数，n为数据所在列数，l为卷积核移动步长，b为偏置参数；步骤4：将所述步骤3中CNN输出的特征数据作为LSTM输入数据，得到输出数据即为训练集预测结果，并根据预测结果计算损失函数，对CNN和LSTM进行参数优化，通过迭代的方式确定CNN-LSTM方法的最佳参数，LSTM过程如下式：ft＝σWfh·ht-1+Wfx·xt+bfit＝σWih·ht-1+Wix·xt+bi Ot＝σWOh·ht-1+WOx·xt+bOht＝Ot·tanhCt式中，f为遗忘门，i为输入门，O为输出门，σ为Sigmoid函数，ht-1为t-1时刻的输出，xt为t时刻输入的滑坡深部位移特征数据，W为各数据的权值，b为各偏置项，Ct为t时刻的细胞状态，Ct-1为t-1时刻细胞状态，ht为t时刻的输出；步骤5：将所述步骤4中的CNN-LSTM方法最佳参数作为模型的最终参数，并将测试集输入到CNN-LSTM方法中，所得的预测结果即为CNN-LSTM的最终预测结果。

全文数据：

权利要求：

百度查询： 东华理工大学 一种基于CNN-LSTM的地下水运移影响下的滑坡深部位移预测方法