基于IWOA-LSTM的水利设施裂缝数据预测方法技术

本发明专利技术公开了基于IWOA

【技术实现步骤摘要】
基于IWOA
‑
LSTM的水利设施裂缝数据预测方法


[0001]本专利技术涉及优化LSTM的组合网络模型领域，特别是基于IWOA
‑
LSTM的水利设施裂缝数据预测方法。

技术介绍

[0002]我国作为水利大国，历年来修建了大量的水利设施，其安全运行是一件关乎民生的大事，但是大多数设施经过长时间的运行，难免会受到温度、水流等影响，形成不同程度的裂缝。一旦裂缝宽度达到一定程度，就可能会引发崩塌、滑坡等事故，造成的后续影响非常大，因此利用历史裂缝数据对未来一段时间进行预测，对于事故的预防有着重要意义。目前对于水利设施裂缝的预测大多采用神经网络模型，主要有BP神经网络、长短期记忆神经网络(Long Short Term Memory Network，简称LSTM)等。邢尹等人采用改进遗传算法和BP神经网络对坝体垂直位移进行了预测，由于BP算法本质上为梯度下降法，而它所要优化的目标函数又较为复杂时，必然会出现“锯齿形现象”，这使得BP算法低效，容易陷入局部最优解，而且收敛速度较慢，效果并不理想。LSTM神经网络对于长时间序列有较好的预测效果，欧斌等人利用LSTM模型对混凝土坝进行了变形预测，但LSTM模型的超参数需要人为预先设定，超参数对于模型预测效果有着较大的影响，人为设定存在很大的不确定性，苏鹏飞等人采用鲸鱼优化算法对LSTM模型的超参数进行优化，但是鲸鱼优化算法存在收敛速度较慢，易陷入局部最优等不足，因此本文设计一种基于改进鲸鱼算法(Improved whale optimization algorithm)优化LSTM的组合网络模型(简称IWOA
‑
LSTM)对水利设施的裂缝数据进行预测。

技术实现思路

[0003]为解决现有技术中存在的问题，本专利技术提供了基于IWOA
‑
LSTM的水利设施裂缝数据预测方法。
[0004]本专利技术的技术方案如下：
[0005]基于IWOA
‑
LSTM的水利设施裂缝数据预测方法，包括以下步骤：
[0006]步骤S1：建立IWOA
‑
LSTM的组合预测模型；
[0007]步骤S2：根据预测模型进行实验以并分析。
[0008]优选地，步骤S1包括以下子步骤：
[0009]步骤S11：建立LSTM神经网络；
[0010]步骤S12：采用鲸鱼优化算法即WOA；
[0011]步骤S13：改进鲸鱼的优化算法即IWOA；
[0012]步骤S14：形成IWOA
‑
LSTM预测模型。
[0013]优选地，步骤S2包括以下子步骤：
[0014]步骤S21：建立实验条件；
[0015]步骤S22：对数据进行预处理；
[0016]步骤S23：预测结果并进行对比实验。
[0017]优选地，步骤S12包括三种策略，第一种策略包围猎物、第二种策略螺旋搜索、第三种策略随机搜索。
[0018]优选地，步骤S13包括两种：
[0019]第一种为：分段线性混沌映射
[0020]分段线性混沌映射的表达式：
[0021][0022]式中，x
t
∈[0,1]，p为控制参数，当p∈(0,0.5)时，系统即可进入混沌状态，通过将不同的p值带入系统后，得到的区间分布频数基本一致，可见p值只要在(0,0.5)区间内即可，取p＝0.4；
[0023]第二种为非线性的收敛因子，其表达式为
[0024][0025]式中，t为迭代次数，t
max
为最大迭代次数，取t
max
＝50绘制其函数图像。本专利技术基于IWOA
‑
LSTM的水利设施裂缝数据预测方法的有益效果如下：
[0026]1.本专利技术提出一种基于IWOA
‑
LSTM的组合预测方法，来对裂缝数据进行预测。
[0027]2.本专利技术在组合模型在WOA的基础上，通过混沌映射初始化种群以及引入非线性收敛因子来改进算法的寻优效果，最终与LSTM组合来预测裂缝数据。
[0028]3.本专利技术与ARIMA模型和单一LSTM模型进行对比实验，实验数据表明IWOA
‑
LSTM组合模型具有更高的预测精度。
附图说明
[0029]图1为本专利技术RNN结构图。
[0030]图2为本专利技术LSTM结构图。
[0031]图3为本专利技术非线性收敛因子函数图。
[0032]图4为本专利技术IWOA
‑
LSTM流程图。
[0033]图5为本专利技术S
‑
G滤波效果图。
[0034]图6为本专利技术ARIMA预测结果图。
[0035]图7为本专利技术LSTM预测结果图。
[0036]图8为本专利技术IWOA
‑
LSTM预测结果图。
具体实施方式
[0037]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，
只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0038]LSTM神经网络
[0039]通常的神经网络模型对每个输入都是单独处理，对于序列数据来说效果不佳，为解决这个问题，诞生了循环神经网络(Recurrent Neural Networks，RNN)，RNN的循环结构使其每个细胞的输出由上一步的输出和当前的输入共同决定，这个特性使得它适合处理序列类数据。RNN的结构如图1所示。
[0040]但RNN仍存在一些缺陷，由于其只考虑最近的状态，当输入的序列信息过长时，当前时刻之前较为久远的输入信息在进行梯度传递时，会出现梯度消失或是梯度爆炸的问题，因此RNN不适用于时间序列。LSTM则能很好地解决这一问题，其不同之处在于LSTM在循环层引入了细胞状态与门控机制，其结构如图2所示。
[0041]其中，Ct
‑
1表示上一时刻的细胞状态，Ct表示当前时刻的细胞状态，ht
‑
1表示上一时刻的隐层状态，ht表示当前时刻的隐层状态，同时也是当前时刻的输出，Xt表示当前时刻的输入。LSTM有遗忘门、输入门以及输出门，其门控效果是由sigmoid或者tanh这两个激活函数来实现：σ表示sigmoid函数，其输出是在0到1之间的，该值表示遗忘的信息比例，0表示完全遗忘，1表示完全保留；tanh是双曲正切函数，其输出在
‑
1到1之间，用于将输入数据作零均值处理。各个门的运算步骤如下所示：
[0042]遗忘门决定遗忘的比例，t
‑
1时刻的输出与t时刻的输入经过遗忘门后，得到的值ft位于区间[0,1]，如式所示：
[0043][0044]式中，Wf、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于IWOA
‑
LSTM的水利设施裂缝数据预测方法，其特征在于，包括以下步骤：步骤S1：建立IWOA
‑
LSTM的组合预测模型；步骤S2：根据预测模型进行实验以并分析。2.根据权利要求1所述的基于IWOA
‑
LSTM的水利设施裂缝数据预测方法，其特征在于，所述S1包括以下子步骤：步骤S11：建立LSTM神经网络；步骤S12：采用鲸鱼优化算法即WOA；步骤S13：改进鲸鱼的优化算法即IWOA；步骤S14：形成IWOA
‑
LSTM预测模型。3.根据权利要求1所述的基于IWOA
‑
LSTM的水利设施裂缝数据预测方法，其特征在于，所述S2包括以下子步骤：步骤S21：建立实验条件；步骤S22：对数据进行预处理；步骤S23：预测结果并进行对比实验。4.根据权利要求2所述的基...

【专利技术属性】
技术研发人员：皮明，袁自祥，杨涛，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：