【技术实现步骤摘要】
神经网络模型的训练方法、边坡位移预测方法及相关装置
本申请涉及边坡位移预测
，尤其涉及神经网络模型的训练方法、边坡位移预测方法及相关装置。
技术介绍
目前，由滑坡所引起的灾害严重影响了人们的生活质量和生命安全，因此，预测边坡位移已经成为滑坡防灾工作的关键组成部分，如何进行边坡位移预测是本领域的研究重点。由于涉及到很多不确定的岩土体结构特征参数和工程地质条件等复杂因素，边坡位移预测是一个具有高度随机性特征的动力非线性问题，影响滑坡的因素具有复杂性、多样性和随机性等特点，而现有的边坡位移预测方法难以结合多类影响滑坡的因素进行预测，在根据单一影响滑坡的因素进行预测时的准确率低。
技术实现思路
本申请提供了一种神经网络模型的训练方法、边坡位移预测方法及相关装置，可提高边坡位移预测的准确率。为了实现上述技术效果，本申请第一方面提供了一种神经网络模型的训练方法，上述神经网络模型用于边坡位移预测，上述训练方法包括：获取边坡位移样本，其中，上述边坡位移样本包括影响因素数据、与上述影响因素数据...
【技术保护点】
1.一种神经网络模型的训练方法，其特征在于，所述神经网络模型用于边坡位移预测，所述训练方法包括：/n获取边坡位移样本，其中，所述边坡位移样本包括影响因素数据、与所述影响因素数据对应的边坡位移数据，所述影响因素数据包括一个以上影响因素；/n构建CNN-LSTM混合神经网络模型；/n基于所述边坡位移样本和自适应粒子群算法，优化所述CNN-LSTM混合神经网络模型的超参数；/n基于所述边坡位移样本，对优化超参数后的CNN-LSTM混合神经网络模型进行训练，以得到用于边坡位移预测的神经网络模型。/n
【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，所述神经网络模型用于边坡位移预测，所述训练方法包括：
获取边坡位移样本，其中，所述边坡位移样本包括影响因素数据、与所述影响因素数据对应的边坡位移数据，所述影响因素数据包括一个以上影响因素；
构建CNN-LSTM混合神经网络模型；
基于所述边坡位移样本和自适应粒子群算法，优化所述CNN-LSTM混合神经网络模型的超参数；
基于所述边坡位移样本，对优化超参数后的CNN-LSTM混合神经网络模型进行训练，以得到用于边坡位移预测的神经网络模型。
2.根据权利要求1所述的训练方法，其特征在于，所述基于所述边坡位移样本和自适应粒子群算法，优化所述CNN-LSTM混合神经网络模型的超参数包括：
将所述CNN-LSTM混合神经网络模型的超参数作为优化对象并对自适应粒子群算法的算法模型进行初始化；
将所述算法模型中的粒子进行子群划分，以得到一个以上子群并将所述一个以上子群中的粒子分为普通粒子和局部最优粒子；
基于所述边坡位移样本和所述CNN-LSTM混合神经网络模型，计算所述一个以上子群中的每个粒子的适应度值；
基于所述子群划分的结果和所述每个粒子的适应度值，确定当前的全局最优粒子位置和局部最优粒子位置；
基于所述当前的全局最优粒子位置和局部最优粒子位置，更新普通粒子位置和所述局部最优粒子位置；
判断是否满足预设的算法终止条件；
若不满足所述算法终止条件，则返回执行所述计算所述一个以上子群中的每个粒子的适应度值的步骤以及后续步骤；
若满足所述算法终止条件，则基于所述全局最优粒子位置和局部最优粒子位置，优化所述CNN-LSTM混合神经网络模型的超参数。
3.根据权利要求1或2所述的训练方法，其特征在于，在所述获取边坡位移样本之后，所述训练方法还包括：
对所述边坡位移样本进行归一化处理；
所述基于所述边坡位移样本和自适应粒子群算法，优化所述CNN-LSTM混合神经网络模型的超参数的步骤具体为：基于归一化处理后的边坡位移样本和自适应粒子群算法，优化所述CNN-LSTM混合神经网络模型的超参数；
所述基于所述边坡位移样本，对优化超参数后的CNN-LSTM混合神经网络模型进行训练的步骤具体为：基于所述归一化处理后的边坡位移样本，对优化超参数后的CNN-LSTM混合神经网络模型进行训练。
4.根据权利要求1或2所述的训练方法，其特征在于，所述CNN-LSTM混合神经网络模型中的CNN神经网络包括dropout层。
5.一种基于权利要求1-4任一项所述的神经网络模型的边坡位移预测方法，其特征在于，所述边坡位移预测方法包括：
获取待预测边坡的影响因素数据，其中，所述待预测边坡的影响因素数据包括一个以上影响因素；
将所述待预测边坡的影响因素数据输入所述神经...
【专利技术属性】
技术研发人员：郑海青，宗广昌，孙晓云，
申请(专利权)人：石家庄铁道大学，
类型：发明
国别省市：河北;13
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。