【技术实现步骤摘要】
本专利技术涉及安全工程，尤其涉及一种大坝效应量预测方法、系统、介质和设备。
技术介绍
1、近年来，各类机器学习算法被用于数据分析与挖掘，为大坝安全监测建模研究开辟了新途径。学者们基于支持向量机(svm)、人工神经网络(ann)、随机森林(rf)等算法与大坝监测数据相结合，将机器学习的强大运算能力运用到映射数据间的非线性关系上，构建大坝安全监控模型。其中，svm性能受参数影响较大，国内外研究主要采用遗传算法、粒子群算法等智能算法对其进行优化。ann在网络学习时，必须对超参量进行精细调整，而bp神经网络的初值和权值均为随机选择，因此，利用智能优化算法对其进行优化，可有效提高神经网络的性能。尽管神经网络对大样本数据具有良好的性能，尤其是网络结构的深度可以提升其学习性能，但随着样本规模的增大，传统的浅层神经网络存在梯度丢失、梯度爆炸等问题。此外，传统的神经网络算法受其自身的结构限制，不能有效地处理序列特征数据，导致模型自适应性差、精度低。针对这一问题，国内外学者将rnn技术引入大坝安全监测模型的研究与应用。然而，rnn在处理长序列数据时，可能无...
【技术保护点】
1.一种大坝效应量预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的大坝效应量预测方法，其特征在于，所述影响因子包括：水压分量、温度分量、时效分量和降雨分量。
3.如权利要求1所述的大坝效应量预测方法，其特征在于，所述通过主成分分析法对影响因子样本进行降维处理，获得去耦降维后的影响因子矩阵，包括以下步骤：
4.如权利要求1所述的大坝效应量预测方法，其特征在于，所述利用人工鱼群算法优化长短时记忆神经网络的初始权重和神经元个数，包括以下步骤：
5.如权利要求4所述的大坝效应量预测方法，其特征在于，所述人工鱼的聚群行...
【技术特征摘要】
1.一种大坝效应量预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的大坝效应量预测方法，其特征在于，所述影响因子包括：水压分量、温度分量、时效分量和降雨分量。
3.如权利要求1所述的大坝效应量预测方法，其特征在于，所述通过主成分分析法对影响因子样本进行降维处理，获得去耦降维后的影响因子矩阵，包括以下步骤：
4.如权利要求1所述的大坝效应量预测方法，其特征在于，所述利用人工鱼群算法优化长短时记忆神经网络的初始权重和神经元个数，包括以下步骤：
5.如权利要求4所述的大坝效应量预测方法，其特征在于，所述人工鱼的聚群行为是人工鱼向邻近的伙伴聚集，如果聚集后状态更好，则执行聚群行为，否则继续觅食；
6.如权利要求...
【专利技术属性】
技术研发人员：闫滨，李春生，高真伟，种鹏飞，马天骁，
申请(专利权)人：沈阳农业大学，
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。