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：中国路桥工程有限责任公司;西安建筑科技大学

摘要：本发明公开了一种基于DBN‑LSTM‑BWOA的隧道爆破振动峰值预测方法、系统、设备及介质，涉及机器学习以及工程爆破振动安全技术领域，提供一种基于DBN‑LSTM‑BWOA的隧道爆破振动峰值预测方法、系统、设备及介质，包括数据采集及预处理模块、设定阈值模块、数据预测和模型构建模块、超参数优化模块，以及爆破振动峰值预测模块。本发明改进的DBN，可以更好的学习到数据的有用特征，更有效的学习到数据中存在的潜在的影响因素，不需要传统DBN的数据标签即可学习到数据特征。本发明改进的BWOA算法可以对数值进行更加精细化的处理，分别对适应度值差和适应度值较差的数值进行重组，对资源充分利用，通过设置不同判断方式使预测效果更加精准，使得数值计算更加准确。

主权项：1.一种基于DBN-LSTM-BWOA的隧道爆破振动峰值预测方法，其特征在于：包括以下步骤：S1：数据采集及预处理采集在隧道中布置的传感器获取到的爆破时的数据，并对其进行预处理；S2：清洗和特征提取使用改进后的DBN深度信念网络对S1中的预处理后的数据进行清洗和特征提取；所述的改进后的DBN深度信念网络为：DBN模型通过堆叠多个隐层来增加网络的表达能力，捕捉数据中的结构，提取对预测结果相关性大的特征，为减少特征提取时产生的误差，将数据进行重构，将特征学习之后的数据使用如下公式进行处理：X＝1A*∑[Xi*DXi]其中Xi为原始数据，X为处理后的数据，A为数据总和，Xi为原始数据，X为处理后的数据，A为数据总和，Xi为第i个原始数据，D为X对应值的变量，使用梯度下降的优化方法微调重构的数据，以最小化预测误差；S3：数据预测和模型构建将S2中进行清洗和特征提取后的数据导入LSTM进行模型构建之后，再进行数据预测；S4：超参数优化使用改进后的BWOA算法对S3中构建的模型进行超参数优化；所述改进后的改进后的BWOA算法为： 式中x*为当前最优个体位置，β、m分别为[-1,1]、[0.4,0.9]内的随机数，xr1为种群内随机选择的一个个体，xit+1为更新之后的个体位置，x*t为当前最优个体位置，xit为当前个体的位置；使用改进后的BWOA模型寻找最优值： fitnessmax和fitnessmin分别表示当前种群中最差和最优的适应度值，fitnessi为第i个个体的适应度值；对等于或小于0.3的数值，使用下式进行更新： 其中xr1、xr2为随机选择的个体，σ为二进制数值对于当前个体随机设为0或1,xit为小于等于0.3的数值的位置，xr1t为r1数值的位置；xr2t为r2数值的位置；x*t为当前最优个体位置；对等于或小于0.5且大于等于0.3的数值，作为候选集，对该候选集进行计算： 其中x*t为当前最优个体位置；xr1、xr2为随机选择的个体，σ为二进制数值对于当前个体随机设为0或1,xit为小数值的位置，xr1t为r1数值的位置，xr2t为r2数值的位置，X*t为当前最优个体位置；将模型中的数值位置移到上述计算所得到的位置，之后重复上述操作，使预测效果更加精准；S5：爆破振动峰值预测使用S4的模型对爆破振动峰值进行预测，并设定阈值，便于预测数值达到阈值时，发出预警，保证隧道施工安全。

全文数据：

权利要求：

百度查询： 中国路桥工程有限责任公司 西安建筑科技大学 一种基于DBN-LSTM-BWOA的隧道爆破振动峰值预测方法、系统、设备及介质