Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种基于AWC-LSTM模型的煤矿地表形变预测方法 

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:中国矿业大学

摘要:本发明公开了一种基于AWC‑LSTM模型的煤矿地表形变预测方法,本发明属于遥感算法开发领域,包括:获取煤矿地表的时序形变数据;构建ARIMA模型,将所述时序形变数据输入至ARIMA模型,得到第一数据和第二数据,其中所述第一数据为线性时序形变预测数据,所述第二数据为非线性时序形变数据;构建CNN‑LSTM模型,将所述第二数据输入至CNN‑LSTM模型,得到非线性预测结果,其中所述CNN‑LSTM模型为优化后的LSTM模型;基于所述第一数据和所述非线性预测结果,得到煤矿地表的形变预测结果。本发明操作简单,避免参数设置的主观性,能有效提高矿区地表形变预测的准确性并实现短期预测。

主权项:1.一种基于AWC-LSTM模型的煤矿地表形变预测方法,其特征在于,包括:获取煤矿地表的时序形变数据;获取煤矿地表的时序形变数据的过程包括:获取煤矿地表的SAR影像,基于所述SAR影像得到差分干涉图;对所述差分干涉图进行相位解缠,得到相位解缠结果;去除所述相位解缠结果中的大气相位后,对所述相位解缠结果进行SBAS反演、地理编码,得到煤矿地表的时序形变数据;得到差分干涉图的过程包括:获取煤矿地表的SAR影像,选择超级主影像作为参考影像,基于所述参考影像对所述SAR影像进行配准和裁剪;设定时空基线阈值,并引入外部数字高程模型,将所述SAR影像中的平地相位和地形相位进行去除,生成原始差分干涉图;构建ARIMA模型,将所述时序形变数据输入至ARIMA模型,得到第一数据和第二数据,其中所述第一数据为线性时序形变预测数据,所述第二数据为非线性时序形变数据;构建CNN-LSTM模型,将所述第二数据输入至CNN-LSTM模型,得到非线性预测结果,其中所述CNN-LSTM模型为优化后的LSTM模型;构建CNN-LSTM模型的过程包括:在LSTM模型的结构中增加CNN层,同时采用WOA寻优算法对所述CNN层及LSTM模型进行参数优化,得到CNN-LSTM模型;采用WOA寻优算法对所述CNN层及LSTM模型进行参数优化的过程包括:初始化LSTM模型参数;采用WOA寻优算法计算鲸鱼个体的适应度值,基于所述适应度值更新鲸鱼个体位置;设置最大迭代次数,直至输出CNN-LSTM模型参数;基于所述CNN-LSTM模型参数,建立最优CNN-LSTM模型;利用WOA寻优算法优化模型参数过程中,鲸鱼种群大小为20、鲸鱼维度为12、最大迭代次数为500,设置LSTM模型参数上下界;计算鲸鱼个体适应度值p,若值大于或等于0.5,鲸鱼个体位置螺旋更新;若值小于0.5,鲸鱼个体包围猎物并更新位置,同时若迭代达到最大迭代次数,则输出最优模型参数,否则,继续迭代,直至满足终止条件,获得最优模型参数建立最优CNN-LSTM模型;基于ARIMA模型和所述最优CNN-LSTM模型,建立最佳AWC-LSTM预测模型;所述最佳AWC-LSTM预测模型的最优参数包括:ARIMA模型中的自回归滞后p,差分d,误差滞后q和CNN层的卷积核filter、滤波器大小kenel_size、滑动步长strides参数和LSTM模型的隐藏层神经元数量、dropout率以及批大小batch_size;基于所述第一数据和所述非线性预测结果,将二者对应相加,得到煤矿地表的最终形变预测结果。

全文数据:

权利要求:

百度查询: 中国矿业大学 一种基于AWC-LSTM模型的煤矿地表形变预测方法

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。