【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 ...
【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:
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。