[發(fā)明專利]神經(jīng)網(wǎng)絡模型的訓練方法、邊坡位移預測方法及相關裝置

有效

• 申請?zhí)枺?/td>: 202010113332.6
• 申請日: 2020-02-24
• 公開（公告）號: CN111310902B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設計）人: 鄭海青;宗廣昌;孫曉云
• 申請（專利權）人: 石家莊鐵道大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/0442;G06N3/048;G06N3/08;G06N3/006;G06F30/27;G06F30/25
• 代理公司: 河北國維致遠知識產(chǎn)權代理有限公司 13137
• 代理人: 趙寶琴

本申請?zhí)峁┝艘环N神經(jīng)網(wǎng)絡模型的訓練方法、邊坡位移預測方法及相關裝置，其中，該訓練方法包括：獲取邊坡位移樣本，其中，上述邊坡位移樣本包括影響因素數(shù)據(jù)、與上述影響因素數(shù)據(jù)對應的邊坡位移數(shù)據(jù)，上述影響因素數(shù)據(jù)包括一個以上影響因素；構建CNN?LSTM混合神經(jīng)網(wǎng)絡模型；基于上述邊坡位移樣本和自適應粒子群算法，優(yōu)化上述CNN?LSTM混合神經(jīng)網(wǎng)絡模型的超參數(shù)；基于上述邊坡位移樣本，對優(yōu)化超參數(shù)后的CNN?LSTM混合神經(jīng)網(wǎng)絡模型進行訓練，以得到用于邊坡位移預測的神經(jīng)網(wǎng)絡模型。基于本申請?zhí)峁┑募夹g方案，能夠有效提高邊坡位移預測的準確率。

技術領域

本申請涉及邊坡位移預測技術領域，尤其涉及神經(jīng)網(wǎng)絡模型的訓練方法、邊坡位移預測方法及相關裝置。

背景技術

目前，由滑坡所引起的災害嚴重影響了人們的生活質(zhì)量和生命安全，因此，預測邊坡位移已經(jīng)成為滑坡防災工作的關鍵組成部分，如何進行邊坡位移預測是本領域的研究重點。

由于涉及到很多不確定的巖土體結構特征參數(shù)和工程地質(zhì)條件等復雜因素，邊坡位移預測是一個具有高度隨機性特征的動力非線性問題，影響滑坡的因素具有復雜性、多樣性和隨機性等特點，而現(xiàn)有的邊坡位移預測方法難以結合多類影響滑坡的因素進行預測，在根據(jù)單一影響滑坡的因素進行預測時的準確率低。

發(fā)明內(nèi)容

本申請?zhí)峁┝艘环N神經(jīng)網(wǎng)絡模型的訓練方法、邊坡位移預測方法及相關裝置，可提高邊坡位移預測的準確率。

為了實現(xiàn)上述技術效果，本申請第一方面提供了一種神經(jīng)網(wǎng)絡模型的訓練方法，上述神經(jīng)網(wǎng)絡模型用于邊坡位移預測，上述訓練方法包括：

獲取邊坡位移樣本，其中，上述邊坡位移樣本包括影響因素數(shù)據(jù)、與上述影響因素數(shù)據(jù)對應的邊坡位移數(shù)據(jù)，上述影響因素數(shù)據(jù)包括一個以上影響因素；

構建CNN-LSTM(ConvolutionalNeuralNetworks-LongShort-TermMemory，卷積神經(jīng)網(wǎng)絡-長短期記憶網(wǎng)絡)混合神經(jīng)網(wǎng)絡模型；

基于上述邊坡位移樣本和自適應粒子群算法，優(yōu)化上述CNN-LSTM混合神經(jīng)網(wǎng)絡模型的超參數(shù)；

基于上述邊坡位移樣本，對優(yōu)化超參數(shù)后的CNN-LSTM混合神經(jīng)網(wǎng)絡模型進行訓練，以得到用于邊坡位移預測的神經(jīng)網(wǎng)絡模型。

基于本申請第一方面，在第一種可能的實現(xiàn)方式中，上述基于上述邊坡位移樣本和自適應粒子群算法，優(yōu)化上述CNN-LSTM混合神經(jīng)網(wǎng)絡模型的超參數(shù)包括：

將上述CNN-LSTM混合神經(jīng)網(wǎng)絡模型的超參數(shù)作為優(yōu)化對象并對自適應粒子群算法的算法模型進行初始化；

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

基于上述邊坡位移樣本和上述CNN-LSTM混合神經(jīng)網(wǎng)絡模型，計算上述一個以上子群中的每個粒子的適應度值；

基于上述子群劃分的結果和上述每個粒子的適應度值，確定當前的全局最優(yōu)粒子位置和局部最優(yōu)粒子位置；

基于上述當前的全局最優(yōu)粒子位置和局部最優(yōu)粒子位置，更新普通粒子位置和上述局部最優(yōu)粒子位置；

判斷是否滿足預設的算法終止條件；

若不滿足上述算法終止條件，則返回執(zhí)行上述計算上述一個以上子群中的每個粒子的適應度值的步驟以及后續(xù)步驟；

若滿足上述算法終止條件，則基于上述全局最優(yōu)粒子位置和局部最優(yōu)粒子位置，優(yōu)化上述CNN-LSTM混合神經(jīng)網(wǎng)絡模型的超參數(shù)。

基于本申請第一方面或本申請第一方面的第一種可能的實現(xiàn)方式，在第二種可能的實現(xiàn)方式中，在上述獲取邊坡位移樣本之后，上述訓練方法還包括：