[發(fā)明專利]神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法、邊坡位移預(yù)測(cè)方法及相關(guān)裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010113332.6
• 申請(qǐng)日: 2020-02-24
• 公開（公告）號(hào): CN111310902B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設(shè)計(jì)）人: 鄭海青;宗廣昌;孫曉云
• 申請(qǐng)（專利權(quán)）人: 石家莊鐵道大學(xué)
• 主分類號(hào): G06N3/0464
• 分類號(hào): G06N3/0464;G06N3/0442;G06N3/048;G06N3/08;G06N3/006;G06F30/27;G06F30/25
• 代理公司: 河北國(guó)維致遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 13137
• 代理人: 趙寶琴

1.一種神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型用于邊坡位移預(yù)測(cè)，所述訓(xùn)練方法包括：

獲取邊坡位移樣本，其中，所述邊坡位移樣本包括影響因素?cái)?shù)據(jù)、與所述影響因素?cái)?shù)據(jù)對(duì)應(yīng)的邊坡位移數(shù)據(jù)，所述影響因素?cái)?shù)據(jù)包括一個(gè)以上影響因素，所述影響因素包括邊坡地質(zhì)條件、降雨量、降雨時(shí)長(zhǎng)、庫(kù)水位、人類工程活動(dòng)強(qiáng)度和人類工程活動(dòng)時(shí)長(zhǎng)，所述邊坡地質(zhì)條件包括邊坡土質(zhì)結(jié)構(gòu)和邊坡形態(tài)；

構(gòu)建CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型；

基于所述邊坡位移樣本和自適應(yīng)粒子群算法，優(yōu)化所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，所述超參數(shù)包括CNN卷積核大小、CNN卷積核數(shù)量、CNN池化類型、CNN激活函數(shù)的類型、LSTM時(shí)間窗口大小、LSTM隱藏層單元數(shù)目、LSTM批量大小和LSTM網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)率；

基于所述邊坡位移樣本，對(duì)優(yōu)化超參數(shù)后的CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，以得到用于邊坡位移預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型；

其中，優(yōu)化所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)包括：

將所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)作為優(yōu)化對(duì)象并對(duì)自適應(yīng)粒子群算法的算法模型進(jìn)行初始化；

將所述算法模型中的粒子進(jìn)行子群劃分，以得到一個(gè)以上子群并將所述一個(gè)以上子群中的粒子分為普通粒子和局部最優(yōu)粒子；

基于所述邊坡位移樣本和所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型，計(jì)算所述一個(gè)以上子群中的每個(gè)粒子的適應(yīng)度值；

基于所述子群劃分的結(jié)果和所述每個(gè)粒子的適應(yīng)度值，確定當(dāng)前的全局最優(yōu)粒子位置和局部最優(yōu)粒子位置；

基于所述當(dāng)前的全局最優(yōu)粒子位置和局部最優(yōu)粒子位置，更新普通粒子位置和所述局部最優(yōu)粒子位置；

判斷是否滿足預(yù)設(shè)的算法終止條件；

若不滿足所述算法終止條件，則返回執(zhí)行所述計(jì)算所述一個(gè)以上子群中的每個(gè)粒子的適應(yīng)度值的步驟以及后續(xù)步驟；

若滿足所述算法終止條件，則基于所述全局最優(yōu)粒子位置和局部最優(yōu)粒子位置，優(yōu)化所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)；

其中，所述將所述算法模型中的粒子進(jìn)行子群劃分，以得到一個(gè)以上子群并將所述一個(gè)以上子群中的粒子分為普通粒子和局部最優(yōu)粒子，包括：

基于各個(gè)粒子的局部密度和各個(gè)粒子到比本身局部密度更高的粒子之間的距離，對(duì)所述算法模型中的粒子劃分出多個(gè)子群，并將每個(gè)子群中的粒子劃分為普通粒子和局部最優(yōu)粒子；

其中，各個(gè)粒子的局部密度的計(jì)算公式為：

其中，ρ_i為第i個(gè)粒子的局部密度，d_ij為第i個(gè)粒子和第j個(gè)粒子之間的歐式距離，d_c為截?cái)嗑嚯x；

各個(gè)粒子到比本身局部密度更高的粒子之間的距離的計(jì)算公式為：

其中，δ_i為第i個(gè)粒子和第j個(gè)粒子之間的距離，ρ_j為第j個(gè)粒子的局部密度。

2.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，在所述獲取邊坡位移樣本之后，所述訓(xùn)練方法還包括：

對(duì)所述邊坡位移樣本進(jìn)行歸一化處理；

所述基于所述邊坡位移樣本和自適應(yīng)粒子群算法，優(yōu)化所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)的步驟具體為：基于歸一化處理后的邊坡位移樣本和自適應(yīng)粒子群算法，優(yōu)化所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)；

所述基于所述邊坡位移樣本，對(duì)優(yōu)化超參數(shù)后的CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練的步驟具體為：基于所述歸一化處理后的邊坡位移樣本，對(duì)優(yōu)化超參數(shù)后的CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

3.根據(jù)權(quán)利要求1所述的訓(xùn)練方法，其特征在于，所述CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型中的CNN神經(jīng)網(wǎng)絡(luò)包括dropout層。

4.一種基于權(quán)利要求1-3任一項(xiàng)所述的神經(jīng)網(wǎng)絡(luò)模型的邊坡位移預(yù)測(cè)方法，其特征在于，所述邊坡位移預(yù)測(cè)方法包括：

獲取待預(yù)測(cè)邊坡的影響因素?cái)?shù)據(jù)，其中，所述待預(yù)測(cè)邊坡的影響因素?cái)?shù)據(jù)包括一個(gè)以上影響因素；

將所述待預(yù)測(cè)邊坡的影響因素?cái)?shù)據(jù)輸入所述神經(jīng)網(wǎng)絡(luò)模型；

通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型計(jì)算輸出邊坡位移預(yù)測(cè)的預(yù)測(cè)結(jié)果。