[發(fā)明專(zhuān)利]基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的智能滑坡監(jiān)測(cè)裝置與方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811330634.8
• 申請(qǐng)日: 2018-11-09
• 公開(kāi)（公告）號(hào): CN109558971A
• 公開(kāi)（公告）日: 2019-04-02
• 發(fā)明（設(shè)計(jì)）人: 王如賓;祁健;徐衛(wèi)亞;王環(huán)玲;孟慶祥
• 申請(qǐng)（專(zhuān)利權(quán)）人: 河海大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專(zhuān)利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的智能滑坡監(jiān)測(cè)裝置，其特征在于：包括：數(shù)據(jù)輸入模塊、模型訓(xùn)練模塊、模型優(yōu)化模塊、模型可視化模塊和用戶(hù)操作模塊；所述數(shù)據(jù)輸入模塊與模型訓(xùn)練模塊相連；所述模型訓(xùn)練模塊與模型優(yōu)化模塊相連；所述模型優(yōu)化模塊與模型可視化模塊相連；所述模型可視化模塊與用戶(hù)操作模塊相連。

2.根據(jù)權(quán)利要求1所述的基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的智能滑坡監(jiān)測(cè)裝置，其特征在于：所述數(shù)據(jù)模塊負(fù)責(zé)對(duì)滑坡歷史監(jiān)測(cè)數(shù)據(jù)的提取、預(yù)測(cè)結(jié)果的標(biāo)定、數(shù)據(jù)集的劃分；所述訓(xùn)練模塊負(fù)責(zé)數(shù)據(jù)在LSTM網(wǎng)絡(luò)上的訓(xùn)練并生成訓(xùn)練模型；所述模型優(yōu)化模塊負(fù)責(zé)對(duì)訓(xùn)練模型的優(yōu)化以及對(duì)數(shù)據(jù)集劃分的調(diào)整；所述模型可視化模塊負(fù)責(zé)對(duì)模型結(jié)果的直觀展示；所述用戶(hù)操作模塊負(fù)責(zé)用戶(hù)自主使用所述監(jiān)測(cè)裝置。

3.一種采用如根據(jù)權(quán)利要求1或2所述的基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的智能滑坡監(jiān)測(cè)裝置的監(jiān)測(cè)方法，其特征在于：包括以下步驟：

步驟(1)，數(shù)據(jù)處理過(guò)程；

步驟(2)，模型訓(xùn)練過(guò)程；

步驟(3)，模型優(yōu)化過(guò)程；

步驟(4)，模型可視化過(guò)程。

4.根據(jù)權(quán)利要求3所述的基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的智能滑坡監(jiān)測(cè)裝置的監(jiān)測(cè)方法，其特征在于：步驟(1)中，所述數(shù)據(jù)處理過(guò)程包括以下步驟：

步驟(1.1)：提取滑坡歷史監(jiān)測(cè)數(shù)據(jù)，添加滑坡穩(wěn)定狀態(tài)的標(biāo)簽。

步驟(1.2)：根據(jù)監(jiān)測(cè)數(shù)據(jù)進(jìn)行數(shù)據(jù)集的劃分，劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集；

5.根據(jù)權(quán)利要求4所述的基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的智能滑坡監(jiān)測(cè)裝置的監(jiān)測(cè)方法，其特征在于：步驟(1.2)中，所述數(shù)據(jù)集劃分，根據(jù)數(shù)據(jù)集的大小決定訓(xùn)練集、驗(yàn)證集、測(cè)試集的大小。

6.根據(jù)權(quán)利要求3所述的基于LSTM長(zhǎng)短期記憶網(wǎng)絡(luò)的智能滑坡監(jiān)測(cè)裝置的監(jiān)測(cè)方法，其特征在于：步驟(2)中，所述模型訓(xùn)練過(guò)程包括以下步驟：

步驟(2.1)：構(gòu)建LSTM單元的遺忘門(mén)：利用sigmoid函數(shù)決定需要被遺忘的特征信息，f_t＝σ(W_f·[h_t-1，x_t]+b_f)，表示當(dāng)開(kāi)始接收新的對(duì)預(yù)測(cè)結(jié)果影響大的特征信息時(shí)，忘記對(duì)預(yù)測(cè)結(jié)果影響小的特征信息；

其中，f_t代表遺忘門(mén)信息，σ代表sigmoid函數(shù)，W_f、b_f代表遺忘門(mén)權(quán)重，h_t-1代表上一個(gè)單元的輸出信息，x_t當(dāng)前單元的輸入信息；

步驟(2.2)：構(gòu)建LSTM單元的輸入門(mén)：首先利用sigmoid函數(shù)決定哪些特征信息需要更新：i_t＝σ(W_i·[h_t-1，x_t]+b_i)；其次用tanh層生成備選的需要更新的向量：最后更新C_t:

其中，i_t代表更新哪些信息，代表新的候選值，C_t代表當(dāng)前單元的狀態(tài)信息；

步驟(2.3)：構(gòu)建LSTM單元的輸出門(mén)：首先通過(guò)sigmoid函數(shù)確定特征信息的哪個(gè)部分將輸出出去：o_t＝σ(W_o[h_t-1，x_t]+b_o)；其次用tanh層處理C_t確定最終輸出的部分：h_t＝o_t*tanh(C_t)；

其中，o_t代表輸出的特征信息部分，h_t代表最終輸出的信息；

步驟(2.4)：通過(guò)LSTM單元構(gòu)建神經(jīng)網(wǎng)絡(luò)層，神經(jīng)網(wǎng)絡(luò)層數(shù)為2～4；

步驟(2.5)：將序列化輸入特征信息分為不同Batch在步驟(2.4)構(gòu)建的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到序列輸出；

步驟(2.6)：定義損失函數(shù)，用以評(píng)估預(yù)測(cè)值和真實(shí)值的差距；

步驟(2.7)：使用隨機(jī)梯度下降法計(jì)算神經(jīng)網(wǎng)絡(luò)的反向傳播過(guò)程，使得損失函數(shù)獲得最小值，獲得訓(xùn)練模型。