检索结果-内蒙古大学图书馆

控制与决策 2021年第11期36卷 2760-2770页

作者：王秋雯陈彦如刘媛春西南交通大学经济管理学院成都610031 江西师范大学软件学院南昌330022

我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,并且相邻站点客流之间存在空... 详细信息

我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,并且相邻站点客流之间存在空间联系.对此,充分考虑以上城轨短时客流的时空特征,基于卷积长短时记忆神经网络(ConvLSTM)与自适应k-means聚类算法,提出城轨短时客流预测的深度学习模型k-ConvLSTM,并通过实验对模型关键参数进行寻优;同时,基于深圳市地铁IC卡的真实客流数据对模型的有效性进行检验.结果表明,kConvLSTM在均方根误差、绝对误差均值、绝对误差百分比方面,均优于仅考虑时空特征的深度学习模型--卷积网络(CNN)与长短时记忆网络(LSTM)的并行混合模型和ConvLSTM内嵌式网络模型,仅考虑时间特征的深度学习模型--LSTM网络和双向长短时记忆网络(Bi-LSTM),以及浅层机器学习模型--BP神经网络和支持向量回归模型(SVR).

关键词：城轨交通短时客流时空特征跨时段客流聚类卷积长短时记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

ConvLSTM神经网络的时序InSAR地面沉降时空预测

引用

武汉大学学报(信息科学版) 2025年第3期50卷 483-496页

作者：何毅姚圣陈毅闫浩文张立峰兰州交通大学测绘与地理信息学院甘肃兰州730070 地理国情监测技术应用国家地方联合工程研究中心甘肃兰州730070 甘肃省地理国情监测工程实验室甘肃兰州730070

现有地面沉降时空预测方法存在时序特征捕捉能力差,未顾及空间邻域特征等问题,导致地面沉降时空预测的可靠性差。采用合成孔径雷达干涉测量技术(interferometric synthetic aperture radar,InSAR),提出了一种能够捕捉时序特征和空间邻... 详细信息

现有地面沉降时空预测方法存在时序特征捕捉能力差,未顾及空间邻域特征等问题,导致地面沉降时空预测的可靠性差。采用合成孔径雷达干涉测量技术(interferometric synthetic aperture radar,InSAR),提出了一种能够捕捉时序特征和空间邻域特征的卷积长短时记忆(convolutional long short-term memory,ConvLSTM)神经网络地面沉降时空预测方法。选取北京首都国际机场作为研究区,首先基于差分干涉测量短基线集InSAR(small baseline subset InSAR,SBAS-InSAR),利用Sentinel-1A影像获取地面沉降时空InSAR数据,然后构建ConvLSTM的地面沉降时空预测模型,模拟预测该区域未来一年的地面沉降。利用永久散射体干涉测量技术、SBAS-InSAR结果和水准点数据,交叉验证了时序InSAR结果的可靠性;时序InSAR地面沉降数据采用滑动窗口进行数据分割,形成多对一数据集模式;结合小波变换和评价指标确定时空预测模型的最佳时间步长,建立时序InSAR地面沉降的ConvLSTM时空预测模型。实验结果显示,所提模型的预测结果和真实结果的拟合度R^(2)达到0.997,基于图像评价指标结构相似性(structural similarity,SSIM)和多尺度结构相似性(multi-scale structural similarity,MS-SSIM)进一步评价了模型的性能,SSIM和MS-SSIM分别达到了0.914、0.975。此外,与支持向量回归、多层感知器、卷积神经网络和长短时记忆神经网络模型进行了对比分析,各项指标均显示所提模型最优。所提模型预测到2022年11月北京首都国际机场最大累积沉降量达到157 mm,研究成果可为城市地面沉降早期预防提供关键技术支撑。

关键词：地面沉降时序InSAR 时空预测卷积长短时记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

基于CEEMDAN的矿山微震信号特征提取和分类方法

引用

矿业安全与环保 2025年第2期52卷 105-112,120页

作者：赵云锋陈林林罗忠浩蒲源源尚雪义黄文祥河南大有能源股份有限公司耿村煤矿河南三门峡472401 重庆大学资源与安全学院重庆400044 重庆工程职业技术学院重庆402260

为获得有效的灾害前兆信息,微震事件分类是必要前提。针对岩体破裂信号与爆破振动信号自动识别准确率低的问题,提出了基于自适应噪声集合经验模态分解(CEEMDAN)的矿山微震信号特征提取及分类方法:采用CEEMDAN求取微震信号的多阶本征模态... 详细信息

为获得有效的灾害前兆信息,微震事件分类是必要前提。针对岩体破裂信号与爆破振动信号自动识别准确率低的问题,提出了基于自适应噪声集合经验模态分解(CEEMDAN)的矿山微震信号特征提取及分类方法:采用CEEMDAN求取微震信号的多阶本征模态(IMF)分量,借助相关性系数筛选主分量,计算各主分量的方差贡献率和能量谱系数,以此作为分类学习的特征向量;利用鲸鱼算法(WOA)优化的卷积长短时记忆神经网络(WOA-CNN-LSTM)对岩体破裂和爆破振动信号进行分类。结果表明:CEEMDAN的主分量为PC1~PC8,随着分解层数的增加,岩体破裂信号的方差贡献率和能量谱系数平均值先增后减,而爆破振动信号呈下降趋势;与相关系数、方差贡献率相比,将特征向量能量谱系数作为WOA-CNN-LSTM、支持向量机(SVM)、BP神经网络3种方法的输入,分类准确率最高;WOA-CNN-LSTM的识别效果明显优于Bayes判别法、SVM和BP神经网络,且基于主分量能量谱系数的分类准确率达到了91.50%。

关键词：微震信号分类自适应噪声集合经验模态分解鲸鱼算法卷积长短时记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

结合Attention-ConvLSTM的双流卷积行为识别

引用

小型微型计算机系统 2021年第2期42卷 405-408页

作者：揭志浩曾明如周鑫恒何强南昌大学信息工程学院南昌330031

针对传统方法在通过视频数据进行人体行为识别的过程中,无法准确分析长时间范围的运动信息,不能很好地利用运动信息中的局部特征和其空间关系.提出将基于注意力机制的卷积长短时记忆神经网络(Attention-ConvLSTM)与传统的双流卷积进行结... 详细信息

针对传统方法在通过视频数据进行人体行为识别的过程中,无法准确分析长时间范围的运动信息,不能很好地利用运动信息中的局部特征和其空间关系.提出将基于注意力机制的卷积长短时记忆神经网络(Attention-ConvLSTM)与传统的双流卷积进行结合,实现了对视频数据中运动信息的非线性特征更好的学习,对局部显著特征及其空间关系更好的利用.本文还设计了新的正则交叉熵损失函数,使得扩展之后的神经网络实现更快的收敛.本文的方法在UCF101和HMDB51两个通用人体行为视频数据集上的表现相较于传统的方法有明显的提升.

关键词：人体行为识别双流卷积注意力机制卷积长短时记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

采用ConvLSTM和MDN的工业企业短期负荷概率密度预测研究

采用ConvLSTM和MDN的工业企业短期负荷概率密度预测研究

引用

作者：王婷媛长沙理工大学

学位级别：硕士

目前,电力行业致力于从高速增长转型为高质量发展,正处于转变发展方式和优化供需结构的攻坚期。以引导用户智慧用电、提高用电效率及优化资源配置为目标的电力需求侧管理受到了极大重视。在需求侧用户中,工业企业的耗电量占比较大且呈... 详细信息

目前,电力行业致力于从高速增长转型为高质量发展,正处于转变发展方式和优化供需结构的攻坚期。以引导用户智慧用电、提高用电效率及优化资源配置为目标的电力需求侧管理受到了极大重视。在需求侧用户中,工业企业的耗电量占比较大且呈现递增的趋势。而工业企业对其繁杂且冗余的用电信息缺乏理性认识,导致用电成本增加和电力频频过剩,影响电网的负荷管理。因此,能够帮助企业掌握负荷动态趋势和用电行为的电力负荷预测显得尤为重要。然而,目前大多数负荷预测文献都集中于确定性负荷预测,没有考虑工业负荷的不确定性信息。基于此,论文提出了一种由卷积长短时记忆神经网络(convolutional long short-term memory neural network,ConvLSTM)和混合密度网络(mixture density network,MDN)组成的负荷概率密度预测模型,用于直接预测未来负荷的概率密度函数(probability density function,PDF)。首先,对工业负荷的时间相关性进行Pearson相关性量化分析,得出时间相关性随负荷之间时间跨度的增加而减弱的结论。同时对外部因素(温度因素、日历因素)进行定性分析,探寻它们影响负荷的原因和规律以提高负荷预测的精确度。其次,在保留负荷间相关关系和两个影响因素的基础上,利用滑动窗口提出一种一维数据-二维矩阵的转换方法,使负荷历史数据、温度数据、日历数据等不同类型数据可以方便快捷地用于ConvLSTM-MDN模型的训练过程中,有助于ConvLSTM网络更好地捕获输入数据中的关键特征和隐藏信息。然后,该文根据ConvLSTM和MDN的基本原理和网络结构搭建了新型混合模型,该模型旨在以PDF的形式获取有关未来工业负荷消耗的完整统计信息,可以解决具有强非线性关系、高可变性和严重不确定性的工业负荷的预测问题。最后,对来自中国的有色金属冶炼业数据集、医疗行业数据集和爱尔兰的公共数据集进行综合案例研究,并与八种先进的模型进行比较。实验结果表明,论文模型在确定性评价指标和概率性评价指标上均优于对比模型,具有更强的鲁棒性、更好的泛化性能和更高的预测精度。

关键词：负荷预测概率密度工业用户卷积长短时记忆神经网络混合密度网络

来源：评论

学校读者我要写书评

暂无评论

面向电子医疗病历的区块链共识和安全研究

面向电子医疗病历的区块链共识和安全研究

引用

作者：韩堂轩华侨大学

学位级别：硕士

安全有效可共享的电子医疗病历系统是整个社会急需的,如果把区块链技术和电子医疗病历相结合就可以解决电子病历存在的共享困难、数据丢失、容易被篡改等关键问题,从而保证患者数据的安全性和隐私性。然而基于区块链技术的电子医疗病历... 详细信息

安全有效可共享的电子医疗病历系统是整个社会急需的,如果把区块链技术和电子医疗病历相结合就可以解决电子病历存在的共享困难、数据丢失、容易被篡改等关键问题,从而保证患者数据的安全性和隐私性。然而基于区块链技术的电子医疗病历对于系统中的执行效率有较高的要求,因此要想将此电子病历实际应用到生活当中则需要研究如何提高共识系统的共识效率。共识机制作为区块链技术的核心,整个共识系统的效率则取决于共识机制。但是现有的共识机制都会存在只适用于小型共识系统、共识效率低,延迟高和共识时间长等问题。为了在一定程度上解决这些问题,本论文提出了基于节点评分的拜占庭共识机制(SBBFT),并且在此基础上加入卷积长短时记忆网络然后提出了改进的SBBFT,从而进一步的提高了共识系统的效率,缩短了达成共识的时间。因此本文以面向电子医疗病历系统为研究背景主要研究了区块链共识机制,本文的主要研究内容如下:(1)结合电子医疗病历背景,针对现有共识机制存在的问题,本文提出了一种基于节点评分的区块链共识机制SBBFT(Score-Based Byzantine Fault Tolerance)。首先,将节点的属性信息作为评分标准,通过层次分析法(AHP)计算出评分。SBBFT使用节点的评分来选择一个节点作为主节点,其次,SBBFT选择c个确认节点作为确认节点子集。这个子集可以将节点的通信从all-to-all改为all-to-c。此外,确认节点子集视图的改变可以使系统抵抗更多恶意节点的攻击。通过对以太坊90万笔交易的实验,结果表明SBBFT可以显著降低通信复杂度,提高系统的一致性效率和稳定性。(2)为了保证整个系统中用户数据的安全性以及减少用户之间的通信成本本文引入了BLS门限签名算法,该算法为每个节点和系统设置了公钥和私钥,这在一定程度上保证了系统的安全性。同时使用了可验证随机函数来作为选择最终节点的函数,在很大程度上保证了公平性。(3)本文通过加入卷积长短时记忆网络,首先将通过层次分析法(AHP)得到的权重序列作为初始值矩阵,然后将从以太坊得到的数据加入到该系统中作为训练数据,并且通过不断调整误差对这些数据进行训练,最终得到节点属性的最优权重矩阵。将该权重矩阵加入到SBBFT中形成改进的SBBFT共识机制,该共识机制相比于单纯的SBBFT,它大幅调高了共识系统的共识效率,缩短了共识时间。本文通过在以太坊得到的交易数据集上进行验证实验,实验表明基于节点评分的区块链共识机制SBBFT(Score-Based Byzantine Fault Tolerance)相比于SBFT、Hot-Stuff和PBFT,已经大幅提高了区块链系统的共识效率和稳定性。而加入卷积长短时记忆网络的改进SBBFT又在SBBFT的基础上提高了共识效率,从而能够更快的达成共识。

关键词：区块链共识机制节点评分卷积长短时记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

基于多尺度时空特征学习的锌快粗槽底流品位预测

基于多尺度时空特征学习的锌快粗槽底流品位预测

引用

作者：郭俊岑中南大学

学位级别：硕士

泡沫浮选是锌矿物加工的重要方法。锌快粗选作为锌浮选第一道工序,其底流品位是衡量锌矿浮选效果的重要生产指标。目前,在浮选现场操作工人主要依靠经验判断浮选状态,且相关检测周期长,无法实时监测关键性能指标,严重影响精矿品位。传... 详细信息

泡沫浮选是锌矿物加工的重要方法。锌快粗选作为锌浮选第一道工序,其底流品位是衡量锌矿浮选效果的重要生产指标。目前,在浮选现场操作工人主要依靠经验判断浮选状态,且相关检测周期长,无法实时监测关键性能指标,严重影响精矿品位。传统应用统计模型、神经网络模型等没有充分考虑泡沫浮选过程数据内部的时空特征。因此,论文提出一种基于多尺度时空特征学习的锌浮选快粗槽底流品位预测方法。论文的主要工作和创新性成果如下:(1)针对泡沫浮选过程具备较强的时序性,而简单的深度学习模型难以有效提取泡沫视频动态时序特征的问题,提出一种基于注意力机制的卷积长短时记忆神经网络(Convolutional Long Short-Term Memory,Conv LSTM)的锌快粗选泡沫视频帧动态时序特征提取方法。使用Conv LSTM作为网络骨架提取泡沫视频相邻帧间的动态时序特征信息,利用通道和空间混合注意力机制对重要特征进行加权调整,并加强时间层面的注意力机制,自动学习视频帧间的特征相关性。(2)针对泡沫图像数据缺乏足够标注样本、样本不平衡的问题,提出一种基于深度主动学习框架的泡沫图像空间特征提取方法。借助于Dense Net网络特征重用和旁路设置的技巧,准确提取浮选泡沫图像的空间特征;搭建主动学习框架,使用损失预测损失的样本查询策略,通过构建初始训练样本集、查询策略选择样本和更新模型,模型性能逐步达到最优,得到泡沫最优空间特征表示。(3)针对锌浮选快粗槽底流品位预测过程中,时间特征和空间特征没有充分融合的问题,提出自适应时空特征融合模块,增强多尺度时空特征融合,提高品位预测网络性能。以连续泡沫图像和品位数据序列作为网络输入,整合特征提取、特征融合与回归预测,搭建端对端的预测网络。在工业数据集上进行实验,验证所提出方法的有效性。图39幅,表8个,参考文献91篇

关键词：泡沫浮选品位预测卷积长短时记忆神经网络深度主动学习时空特征融合

来源：评论

学校读者我要写书评

暂无评论

基于神经网络的自闭症儿童视觉显著性预测

基于神经网络的自闭症儿童视觉显著性预测

引用

作者：李嘉欣北方工业大学

学位级别：硕士

随着互联网技术的飞速发展,视觉显著性预测逐渐成为计算机视觉领域的一项重要任务。它利用人类的视觉感知特性,对信息进行快速地提取与理解,有助于高级计算机视觉任务的完成。目前,针对不同的计算机视觉任务存在着较多的视觉显著性预测... 详细信息

随着互联网技术的飞速发展,视觉显著性预测逐渐成为计算机视觉领域的一项重要任务。它利用人类的视觉感知特性,对信息进行快速地提取与理解,有助于高级计算机视觉任务的完成。目前,针对不同的计算机视觉任务存在着较多的视觉显著性预测模型。但在医学领域方面,关于自闭症儿童的视觉显著性预测模型较少。因此,为了应对医学领域中对于自闭症儿童视觉注意的研究需求,为自闭症儿童的治疗开辟新途径。本文研究了一种基于双流Conv-LSTM的多层次特征融合模型,来对自闭症儿童进行视觉显著性预测。本文的主要工作如下:1)设计双流Conv-LSTM模块,通过模拟人类视觉转移过程来进行特征提取。将图片视为伪序列,在粗尺度与精细尺度上分别进行自下而上与自上而下的特征提取,利用时间依赖性,模拟人在观看图像时动态的视觉注意过程,迭代地关注相关空间位置。2)加入具有瓶颈变换的卷积自注意力模块,通过描绘远距离像素之间的相关性,建立了全局依赖性,促进模型获得更好的视觉注意线索,从而有效对上下文信息进行建模。该模块中的瓶颈变换在实现通道间信息交互的基础上,显著减少了计算量,提高了网络的运行速度。3)设计多层次特征融合模块,通过一系列密集的上下文连接操作,不仅实现了精细分支中不同层次之间信息的相互补充,也达到了全局信息与局部信息的有效融合。该模块使得我们的模型包含丰富的上下文信息,有助于视觉显著性的预测。基于双流Conv-LSTM的多层次特征融合模型在包含自闭症儿童视觉注意数据的Saliency4ASD数据集上进行了实验,实验结果表明,我们的模型能够较好地预测视觉显著性区域,错误识别的区域较少;与其他先进的显著性预测模型相比,本文模型在CC和NSS指标上分别达到了0.735和1.812,均取得了最优性能。在AUC＿J指标上达到了0.816,仅次于SAM-VGG和SAM-Res Net。同时,与三种针对自闭症儿童的视觉显著性预测模型ASD＿Fang、ASD＿Nebout、ASD＿Wei相比,我们的模型在CC、NSS指标上均优于以上模型,AUC＿J指标仅次于ASD＿Wei。综上所述,我们提出的模型在自闭症儿童的视觉显著性预测方面取得了较好的效果,具有一定的现实意义与应用价值。

关键词：视觉显著性预测自闭症儿童卷积长短时记忆神经网络卷积自注意力模块多层次特征融合

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的语音情感识别研究

基于深度学习的语音情感识别研究

引用

作者：高英宁长江大学

学位级别：硕士

语音情感识别主要是指机器从语音数据中自动识别出人类的情绪状态,其在人机交互领域前景非常广泛。在过去的一段时间内,相关领域的学者主要是对语音数据直接手动分析出其中的声学特征,然后对其进行分类识别,该种方法取得了一定的成果。... 详细信息

语音情感识别主要是指机器从语音数据中自动识别出人类的情绪状态,其在人机交互领域前景非常广泛。在过去的一段时间内,相关领域的学者主要是对语音数据直接手动分析出其中的声学特征,然后对其进行分类识别,该种方法取得了一定的成果。而后随着深度学习的不断突破改进,尤其是卷积神经网络和循环神经网络的提出,其可以自动提取到语音信号中更多的情感相关特征,使得语音情感识别取得了突破性的进展,近年来出现了一类新型生成对抗网络(GAN),其具有非常强大的特征对抗学习能力及样本合成的能力。本文针对现有的语音情感识别领域存在的一些问题,提出了一种基于生成对抗网络的语音情感识别方法,具体研究内容如下:(1)针对现有语音情感识别方法中数据集的限制性和识别率不高的问题,设计了一种基于生成对抗网络的语音情感识别方法,采用双线性插值法和Se Net(Squeeze-and-Excitation Networks)块来构建生成器网络,使得在合成模拟样本过程中,可以进一步关注语音情感相关特征而合成高质量模拟样本。使用卷积神经网络(CNN)、双向循环神经网络(BLSTM)和Se Net块构建判别器网络,利用CNN和BLSTM可以自动提取语谱图中的深层次情感特征,且BLSTM可以充分提取到语音数据的时序情感特征,同时借助Se Net去除一些不相干的噪声干扰,使得判别器可以学习提取到更多的情感特征。在两个语音库上使用改进的损失函数来优化GAN模型,使用生成器网络对语音数据进行增强扩充,然后对判别器的网络结构进行调整来进行语音情感识别,并迁移训练完成的判别器网络的模型参数到语音情感识别网络,利用CNN、BLSTM和Se Net来进行语音情感特征提取从而实现语音情感识别,在CASIA数据集和EMO-DB数据集上均取得了较好的效果。(2)针对提出的生成对抗网络下的语音情感识别方法中存在的问题,设计了一种新改进方法,使用多生成器网络和多输出判别器网络来构建生成对抗网络结构,使用深度残差收缩网络(DRSN)和双线性插值法构建生成器网络,进一步降低噪声干扰,使得合成的模拟样本质量更高,加快了模型收敛速度。同时利用3D CNN、CNN、DRSN和卷积长短时记忆神经网络(Conv LSTM)来构建判别器,可以更进一步关注语谱图中的情感相关特征,且通过Conv LSTM深度提取语谱图中的时域和空间域情感特征。然后根据判别器的一分类判别结果和三分类结果进一步改进损失函数,使用优化损失函数对抗训练GAN,使用多生成器对原始语音分别合成对应的3D Log-Mel语谱图以增强语音库,然后对判别器结构进行调整以应用到语音情感识别中,迁移训练完成的判别器网络的模型参数到语音情感识别网络,利用3D CNN、CNN、DRSN和Conv LSTM来进行语音情感特征提取从而实现语音情感识别,在CASIA数据集和EMO-DB数据集上均取得了较好的效果。

关键词：语音情感识别深度学习生成对抗网络深度残差收缩网络卷积长短时记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

滑坡体变形预测与危险状态分析

滑坡体变形预测与危险状态分析

引用

作者：王朝阳西安工程大学

学位级别：硕士

相比于世界其他国家而言,我国一直是受滑坡灾害影响最深的几个国家之一。滑坡灾害的发生,不仅严重威胁着民众的生命财产安全,而且极大地破坏了生态环境。探索滑坡形成机制,建立具有高精度和高泛化能力的滑坡灾害预测模型,可为我国滑坡... 详细信息

相比于世界其他国家而言,我国一直是受滑坡灾害影响最深的几个国家之一。滑坡灾害的发生,不仅严重威胁着民众的生命财产安全,而且极大地破坏了生态环境。探索滑坡形成机制,建立具有高精度和高泛化能力的滑坡灾害预测模型,可为我国滑坡灾害防治提供科学依据。传统的滑坡体变形预测方法,不仅难以反映滑坡演化过程中的动态特性,而且对滑坡时间序列数据分解不彻底。此外,采用单一理论对单一监测点的分析无法准确对滑坡体所处状态进行判断。因此,本文通过多种智能算法有机结合、相互验证,以我国典型滑坡工程八字门滑坡为例,针对滑坡变形预测及危险状态分析,开展并完成研究的主要内容如下: (1)通过调研分析确定了造成滑坡发生形变的内因和外因,并针对滑坡体的地质构造、地形地貌以及坡高坡向等内部因素,采用地质信息监测以及查阅相关资料等方法进行数据收集;并建立滑坡灾害监测预警系统,对诱发滑坡发生形变的外因(如降雨量、土壤含水率、库水位等)进行采集。 (2)针对移动平均法、小波分析法、经验模态分解法等传统分解方法分解不彻底的问题,提出采用改进的带自适应噪声的完全集成经验模态分解(Improvement Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN),与近似熵(Approximate entropy,ApEn)分析相结合的方法,将滑坡累积位移分解重构为具有实际意义的趋势项、周期项和随机项位移,可使得后续的预测更具有针对性。 (3)为解决传统预测算法(如BP、ELM等)存在对历史数据遗忘的问题,以及长短时记忆网络(Long-Short Term Memory Network,LSTM)不能有效地提取数据的所有有效信息的问题。选择卷积长短时记忆神经网络(Convolutionlong Short-Term Memory Neural Network,CNN-LSTM)作为预测模型,对分解出的各项位移进行预测,并将其预测值叠加得到滑坡累积位移预测值,同时根据模型评价指标验证模型的预测效果。 (4)在滑坡累积位移的基础上完成对滑坡体的危险状态分析。采用极限位移准则、尖点突变理论、重标极差分析分别对滑坡体的现状预警等级、稳定状态以及后期变化趋势进行分析,并通过模糊控制器将上述三种方法的分析结果结合起来,确定滑坡体的危险状态。该方法为滑坡预测预警提供了一种新的思路。

关键词：滑坡灾害八字门滑坡 ICEEMDAN 卷积长短时记忆神经网络危险状态分析

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：