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