一种基于OBL-SSA优化的LSTM人工监测时序数据生成方法技术

本发明专利技术涉及水电工程技术领域，具体说是一种基于OBL

【技术实现步骤摘要】
一种基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法


[0001]本专利技术涉及水电工程
，具体说是一种基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法。

技术介绍

[0002]由于大坝安全监测中存在部分人工观测数据，此部分数据由于依赖人工，测量周期不定时，导致时间序列不平衡，FCNN(全连接神经网络)在许多情况下表现良好，但该网络必须接受固定大小的输入，并使用固定数量的计算步骤产生固定大小的输出，因此其应用受到很大限制，尤其是无法有效处理序列数据问题。典型的RNN(循环神经网络)能够有效处理序列数据问题，但是RNN的输出不仅受到当前步骤输入的影响，还受到过去所有步骤输入的影响。传统的数据分析无法达到实际的工程需求，故需要研究一种新型的数据分析方法来解决实际的工程问题。

技术实现思路

[0003]本专利技术的目的是提供一种基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法，以解决观测数据序列距离间隔过大且数据相关性较差的难题。
[0004]本专利技术的技术方案为：
[0005]一种基于OBL
‑
SSA(Opposition
‑
Based Learning
‑
Sparrow Search Algorithm)优化的LSTM人工监测时序数据生成方法，其特征在于，包括如下步骤：
[0006]Step1确定要优化的参数，包括起始值、过程值、优化因子、最优值和迭代次数；
[0007]Step2对采集到的人工监测数据进行降噪预处理；
[0008]Step3对SSA算法进行参数初始化；
[0009]Step4对SSA算法中的起始值以及最优值进行初始化，计算每个观测值的适应度；
[0010]Step5将适应度最好的观测值赋值为新的最优值；
[0011]Step6根据各观测值相对于最优值的状态，更新人工监测数据的起始值；
[0012]Step7达到迭代次数后输出最优参数，将参数赋值于LSTM中进行人工监测时序数据生成。
[0013]优选的，所述Step4
‑
Step6中采用OBL策略对SSA算法进行寻优，对SSA算法中的个体位置以及食物源位置进行初始化，计算每个个体的最优适应度，利用折射原理的反向学习机制优化初始化的个体位置，找到反向位置，寻找最优个体更新领导者个体位置、跟随者个体位置。
[0014]优选的，所述Step7中LSTM具有4个相互作用层，包括：
[0015]遗忘门层，输出为f
t
＝σ[W
f
(h
t
‑1,x
t
)+b
f
]，W
f
表示表示更新遗忘门的权重矩阵，x
t
表示输入的当前时间步的向量，h
t
‑1表示上一时间步的输出，即上一次的隐藏状态，b
f
表示更新遗忘门的偏置，σ表示sigmoid函数；
[0016]输入门层，决定保留的信息并更新i
t
＝σ[W
i
(h
t
‑1,x
t
)+b
i
]，W
f
表示表示输入门的权
重矩阵，b
i
表示输入门的偏置；
[0017]tanh层，创建一个可以添加到处理器状态中的新候选值W
c
表示表示更新单元状态的权重矩阵，b
c
表示更新单元状态的偏置，tanh表示tanh激活函数；
[0018]输出门层，输出为h
t
＝σ[W
o
(h
t
‑1,x
t
)+b
o
]tanhC
t
，W
o
表示表示输出门的权重矩阵，b
o
表示输出门的偏置，C
t
表示当前时间步的单元状态。
[0019]优选的，所述方法应用于水电站大坝监测，对测缝计的人工监测数据进行处理。
[0020]有益效果：本方法采用一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从序列数据中提取信息，还能够保留来自于先前较远步骤的具有长期相关性的信息。本专利技术基于OBL
‑
SSA优化的LSTM有足够的长期记忆来处理监测曲线的采样间隔相对较小，监测曲线中存在长期(空间)相关性。先用OBL
‑
SSA算法对时序数据做预处理，之后再利用LSTM算法生成时序数据，较好的解决了观测数据序列距离间隔过大且数据相关性较差的难题。
附图说明
[0021]图1是基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法示意图；
[0022]图2LSTM数据生成过程图；
[0023]图3是本实施例中某水电站实例测缝计温度时序数据生成值与原始观测值对比图；
[0024]图4是本实施例某水电站实例测缝计温度时序数据生成值与原始观测值残差图。
具体实施方式
[0025]下面结合具体实施例，进一步阐述本专利技术，应理解这些实施例仅说明本专利技术而不用于限制本专利技术的范围。
[0026]如图1所示，一种基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法，以某水电站2001年9月30日～2005年8月30日的人工监测测缝计温度观测数据为例进行实施方式的具体描述，该时间段共观测到940条数据。其中，906条观测数据用于训练数据生成模型，34条数据用于检验生成模型的性能。
[0027]Step1确定要优化的参数，包括起始值、过程值、优化因子、最优值和迭代次数；
[0028]Step2对采集到的人工监测数据进行降噪预处理，具体进行离群点检测，剔除干扰数据。本实施例中数据经离群点检测，未发现干扰数据。
[0029]Step3对SSA算法进行参数初始化，将过滤后的测缝计温度时序数据随机初始化；
[0030]Step4对SSA算法中的起始值以及最优值进行初始化，计算每个观测值的适应度；
[0031]Step5将适应度最好的观测值赋值为新的最优值；
[0032]Step6根据各观测值相对于最优值的状态，更新人工监测数据的起始值；
[0033]Step7达到迭代次数后输出最优参数，将参数赋值于LSTM中进行人工监测时序数据生成。
[0034]所述Step4
‑
Step6中采用OBL策略对SSA算法进行寻优，对SSA算法中的个体位置以及食物源位置进行初始化，计算每个个体的最优适应度，利用折射原理的反向学习机制优
化初始化的个体位置，找到反向位置，寻找最优个体更新领导者个体位置、跟随者个体位置。具体步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法，其特征在于，包括如下步骤：Step1确定要优化的参数，包括起始值、过程值、优化因子、最优值和迭代次数；Step2对采集到的人工监测数据进行降噪预处理；Step3对SSA算法进行参数初始化；Step4对SSA算法中的起始值以及最优值进行初始化，计算每个观测值的适应度；Step5将适应度最好的观测值赋值为新的最优值；Step6根据各观测值相对于最优值的状态，更新人工监测数据的起始值；Step7达到迭代次数后输出最优参数，将参数赋值于LSTM中进行人工监测时序数据生成。2.如权利要求1所述的基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法，其特征在于，所述Step4
‑
Step6中采用OBL策略对SSA算法进行寻优，对SSA算法中的个体位置以及食物源位置进行初始化，计算每个个体的最优适应度，利用折射原理的反向学习机制优化初始化的个体位置，找到反向位置，寻找最优个体更新领导者个体位置、跟随者个体位置。3.如权利要求1所述的基于OBL
‑
SSA优化的LSTM人工监测时序数据生成方法，其特征在于，所述Step7中LSTM具有4个相互作用层，包括：遗忘门层，输出为f
t
＝σ[W
f
(h
t
‑1,x
t
)+b
f
]，W
f
表示...

【专利技术属性】
技术研发人员：许后磊，字林，王子成，李剑寒，张礼兵，唐季，陈亚军，陈豪，徐小坤，邓键，党智斌，夏磊，王禹寒，余涛，郑帅强，洪建辉，李浪，
申请(专利权)人：华能澜沧江水电股份有限公司，
类型：发明
国别省市：