System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及电磁数据处理,具体公开了基于淘金优化lstm的电磁法数据预测方法及装置。
技术介绍
1、随着计算机技术的日益发展,优化问题能满足一定条件下,在众多方案或参数值中寻找最优方案或参数值,以使得某个或多个功能指标达到最优。人工智能优化问题广泛地存在于信号处理中,尤其是计算机智能技术中的参数寻优问题。优化方法是一种以数学为基础,用于求解各种优化问题的应用技术。实践证明,通过智能优化方法,能够提高系统效率,降低能耗,合理地利用资源,并且随着处理对象规模的增加,这种效果也会更加明显。
2、电磁法噪声处理出现了不同的处理模式。然而,电磁法噪声是影响了电磁法数据质量的重要因素,目前,噪声干扰困扰了电磁法学者的深入研究。现有的消噪方法分别从不同角度改善了电磁法数据质量,但仍然存在着因参数选取困难导致消噪方法难以有效满足要求。因此,专利技术人鉴于现有深度学习网络模型方法的缺乏智能选取参数的不足,提供了基于淘金优化lstm的电磁法数据预测方法及装置。
技术实现思路
1、本专利技术的目的在于使用淘金优化器优化长短期记忆网络,实现电磁法信号预测及噪声消除,以期达到解决电磁法信号处理存在的参数选取困难导致去噪效果不理想的目的。
2、为了达到上述目的,本专利技术的基础方案提供基于淘金优化lstm的电磁法数据预测方法,包括如下步骤:
3、步骤s1:将电磁法数据作为长短期记忆网络模型(lstm)的输入,并将数据划分为训练集和测试集。
4、步骤s2:初始化ls
5、步骤s3:定义均方根误差为淘金优化器的目标函数,定义寻优参数的上、下限值。
6、步骤s4:初始化淘金优化器的参数,利用淘金优化器对目标函数进行寻优迭代,根据当前参数实时更新目标函数的值,生成新的参数。
7、步骤s5:迭代至最大次数,将最优参数赋予用于lstm模型进行训练,输出预测值。
8、步骤s6:将优化lstm模型进行电磁法数据的信噪预测,预测下一时刻的有效信号部分,剔除预测为噪声的部分,将其信号部分保留,利用有效信号部分预测处理噪声部分,并重构有效电磁法数据。
9、进一步,在步骤s1中,所述长短期记忆网络模型将输入划分为电磁法数据的前80%作为训练集和后20%作为测试集。
10、进一步,在步骤s2中,利用初始模型参数后,进行初步训练与测试,将lstm中的神经元数量、学习率、迭代次数作为寻优参数。
11、进一步,在步骤s3中,定义均方根误差为淘金优化器的目标函数,定义寻优参数组的上、下限范围在[0.001,200]之间。
12、进一步,在步骤s4中,利用淘金优化器的优化过程如下:
13、随机生成一批淘金者x,淘金者的位置储存在矩阵mgp中,
14、
15、式中,d表示维度大小,n表示淘金者数量。
16、在优化过程中,适应度函数值是用来对淘金者进行评价,并将淘金者的评价值存储在评价矩阵mf中:
17、
18、式中,f是评价函数。
19、对淘金者向金矿迁移过程:
20、
21、
22、
23、
24、
25、式中,是迁移向量,t分别表示最佳金矿的位置、金矿淘金者i的位置和当前迭代t,是金矿淘金者i的新位置,和是向量系数,和是随机向量,其范围为[0,1],l1表示收敛分量,e为指数,maxiter是最大迭代次数,iter是迭代次数。
26、对淘金者向金矿开采过程:
27、
28、
29、
30、式中,是开采向量,t、分别表示一个随机选择的金矿淘金者r的位置,金矿淘金者i的位置,当前迭代t,以及金矿淘金者i的新位置,是向量系数,l2表示收敛分量。
31、淘金者通过三人勘探合作机制进行位置更新:
32、
33、
34、式中,i、g1和g2表示三个淘金者实现了三人协作,是协作向量。
35、淘金者不断前进,搬迁位置获得更多的黄金,为确定淘金者是留在以前的位置还是转移到新的位置,通过评估函数进行比较:
36、
37、进一步,在步骤s5中,淘金者不断更新位置,直至迭代至最大次数,获取最新位置作为lstm模型中神经元数量、学习率、迭代次数的最优参数值,并将最优参数赋予用于lstm模型进行训练,输出预测值。
38、进一步,在步骤s6中,利用优化后的lstm模型进行电磁法数据的信噪预测:
39、
40、
41、式中,y1,y2,...yj表示电磁法数据,y11,y22,...yjj表示电磁法异常数据,j表示数据段数,yj+1表示预测数据,y0表示预测异常值。
42、本专利技术的基础方案还提供了基于淘金优化lstm的电磁法数据预测装置,包括至少一个模块,其中,至少一个模块用于执行本实施例中的基于淘金优化lstm的电磁法数据预测方法。
43、本专利技术的基础方案还提供了基于淘金优化lstm的电磁法数据预测装置,包括存储器、控制处理器及存储在所述存储器上并可在所述控制处理器上运行的计算机程序,所述控制处理器执行所述程序,以实现如前述的基于淘金优化lstm的电磁法数据预测方法。
44、本方案的原理及效果在于:
45、本专利技术方案中的淘金优化器相较于传统智能优化算法具有更强的全局搜索能力,能快速的搜寻最优lstm网络模型参数,提高了信噪识别及预测效果。
46、本专利技术依次通过步骤实施,实现智能优化网络的电磁法的信号预测及噪声消除,解决现有因参数选取不适合导致电磁法去噪中的不足,增加了噪声段的预测去噪结果,能有效改善仅做识别处理而导致数据丢失的问题,提升了智能优化lstm网络模型对电磁法数据预测方法的应用效果。
本文档来自技高网...【技术保护点】
1.基于淘金优化LSTM的电磁法数据预测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于淘金优化LSTM的电磁法数据预测方法,其特征在于,在步骤S1中,所述长短期记忆网络模型将输入划分为电磁法数据的前80%作为训练集和后20%作为测试集。
3.根据权利要求1所述的基于淘金优化LSTM的电磁法数据预测方法,其特征在于,在步骤S2中,初始化LSTM模型参数,将数据利用初始参数进行初步训练与测试。
4.根据权利要求1所述的基于淘金优化LSTM的电磁法数据预测方法,其特征在于,在步骤S3中,定义均方根误差为淘金优化器的目标函数,定义寻优参数组的上、下限范围在[0.001,200]之间。
5.根据权利要求1所述的基于淘金优化LSTM的电磁法数据预测方法,其特征在于,在步骤S4中,利用淘金优化器的优化过程如下:
6.根据权利要求5所述的基于淘金优化LSTM的电磁法数据预测方法,其特征在于,在权利要求1中的步骤S5中,淘金者不断更新位置,直至迭代至最大次数,获取最新位置作为LSTM模型中神经元数量、学习率和迭代次数的最优
7.根据权利要求6所述的基于淘金优化LSTM的电磁法数据预测方法,其特征在于,在步骤S6中,利用优化后的LSTM模型进行电磁法数据的信噪预测:
8.基于淘金优化LSTM的电磁法数据预测装置,其特征在于,包括至少一个模块,其中,至少一个模块用于执行基于淘金优化LSTM的电磁法数据预测方法。
9.根据权利要求8所述的基于淘金优化LSTM的电磁法数据预测装置,其特征在于,包括存储器、控制处理器及存储在所述存储器上并可在所述控制处理器上运行的计算机程序,所述控制处理器执行所述程序,以实现如权利要求1-7任一项所述的基于淘金优化LSTM的电磁法数据预测方法。
...【技术特征摘要】
1.基于淘金优化lstm的电磁法数据预测方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的基于淘金优化lstm的电磁法数据预测方法,其特征在于,在步骤s1中,所述长短期记忆网络模型将输入划分为电磁法数据的前80%作为训练集和后20%作为测试集。
3.根据权利要求1所述的基于淘金优化lstm的电磁法数据预测方法,其特征在于,在步骤s2中,初始化lstm模型参数,将数据利用初始参数进行初步训练与测试。
4.根据权利要求1所述的基于淘金优化lstm的电磁法数据预测方法,其特征在于,在步骤s3中,定义均方根误差为淘金优化器的目标函数,定义寻优参数组的上、下限范围在[0.001,200]之间。
5.根据权利要求1所述的基于淘金优化lstm的电磁法数据预测方法,其特征在于,在步骤s4中,利用淘金优化器的优化过程如下:
6.根据权利要求5所述的基于淘金优化ls...
【专利技术属性】
技术研发人员:张贤,潘彬,左益,杨波,刘书鹏,
申请(专利权)人:湖南财政经济学院,
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。