当前位置: 首页 > 专利查询>西北大学专利>正文

一种改进白鲸优化的BiLSTM-Attention黄土滑坡位移预测方法及系统技术方案

技术编号:43548629 阅读:36 留言:0更新日期:2024-12-03 12:30
本发明专利技术属于滑坡预测技术领域,公开了一种基于改进白鲸算法的BiLSTM‑Attention黄土滑坡位移预测方法及系统,利用指数平滑法将滑坡累计位移分解为趋势项位移和周期项位移,并划分训练集和测试集;建立BiLSTM‑Attention网络模型,设计基于模糊集的多策略增强型白鲸算法,利用FBWO优化BiLSTM‑Attention模型中的超参数,实现BiLSTM‑Attention网络中隐含层节点数、初始学习率、最大迭代次数和正则化系数四个超参数的自适应寻优,最终得到FBWO‑BiLSTM‑Attention滑坡位移预测模型用以预测周期项位移;将趋势项位移数据输入到偏最小二乘回归模型中,得到预测的趋势项位移;将周期项位移数据输入到FBWO‑BiLSTM‑Attention预测模型中得到周期项位移的预测值;将预测的趋势项位移和周期项位移相加,得到最终的滑坡累计位移预测结果。

【技术实现步骤摘要】

本专利技术属于但不限于滑坡预测,尤其涉及一种改进白鲸优化的bilstm-attention黄土滑坡位移预测方法及系统。


技术介绍

1、黄土滑坡是一种较为常见并且危害较大的地质灾害,现在已经成为黄土地区一类关注度极高的地质环境问题。与其他岩土质滑坡相比,黄土滑坡没有明显的滑动面,加之其发生频率高,致灾机理复杂等特点,使得黄土滑坡预测工作的开展较为困难。

2、滑坡的演化过程受多种内外部因素的共同影响,如地质、降雨以及人类活动等,这也使得滑坡成为了一种复杂的非线性系统。滑坡变形监测的非线性和不确定性使得滑坡预测变得复杂,黄土滑坡也不例外。关于滑坡位移预测的模型可以分为两类:数据驱动和物理驱动。物理驱动模型通过力学原理和岩土工程参数预测滑坡事件,这类模型实现过于复杂且预测效果不理想。而数据驱动的模型因其准确的预测和简单的实现更具有吸引力。深度神经网络具有很强的非线性拟合能力,可以在数据驱动的建模中实现出色的性能。目前,对于滑坡位移的预测研究通常是利用时间序列法分析法将滑坡位移时间序列分解成不同的信号分量,再对这些信号分量分别进行建模预测。例如,采用集合本文档来自技高网...

【技术保护点】

1.一种改进白鲸优化的BiLSTM-Attention黄土滑坡位移预测方法,其特征在于,包括:

2.如权利要求1所述的基于改进白鲸算法的BiLSTM-Attention黄土滑坡位移预测方法,其特征在于,在S1中,采用指数平滑法将滑坡累计位移分解为趋势项位移以及周期项位移,指数平滑法计算公式如下:

3.如权利要求1所述的基于改进白鲸算法的BiLSTM-Attention黄土滑坡位移预测方法,其特征在于,在S2中,采用基于模糊集的多策略增强型白鲸算法(FBWO)对BiLSTM-Attention模型的隐含层节点数、最大训练次数、初始学习率和正则化系数四个超参数进行寻优...

【技术特征摘要】

1.一种改进白鲸优化的bilstm-attention黄土滑坡位移预测方法,其特征在于,包括:

2.如权利要求1所述的基于改进白鲸算法的bilstm-attention黄土滑坡位移预测方法,其特征在于,在s1中,采用指数平滑法将滑坡累计位移分解为趋势项位移以及周期项位移,指数平滑法计算公式如下:

3.如权利要求1所述的基于改进白鲸算法的bilstm-attention黄土滑坡位移预测方法,其特征在于,在s2中,采用基于模糊集的多策略增强型白鲸算法(fbwo)对bilstm-attention模型的隐含层节点数、最大训练次数、初始学习率和正则化系数四个超参数进行寻优;将fbwo算法中种群数量设置和最大迭代次数为10,根据bilstm-attention的四个超参数对算法进行解空间设置,解空间上界ub={300,500,0.01,0.01},下界lb={10,30,0.0001,0.0001};ub和lb的每个维度分别对应bilstm-attention模型的隐含层节点数、最大训练次数、初始学习率和正则化系数的上界和下界;将白鲸个体位置解释为bilstm-attention模型的超参数,将在周期项位移训练集上的得到的均方误差作为白鲸个体的适应度值。

4.如权利要求1所述的基于改进白鲸...

【专利技术属性】
技术研发人员:王毅荆常颉王家鼎谷天峰
申请(专利权)人:西北大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1