CN109558971A - 基于lstm长短期记忆网络的智能滑坡监测装置与方法 - Google Patents
基于lstm长短期记忆网络的智能滑坡监测装置与方法 Download PDFInfo
- Publication number
- CN109558971A CN109558971A CN201811330634.8A CN201811330634A CN109558971A CN 109558971 A CN109558971 A CN 109558971A CN 201811330634 A CN201811330634 A CN 201811330634A CN 109558971 A CN109558971 A CN 109558971A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- module
- landslide
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012806 monitoring device Methods 0.000 title claims abstract description 22
- 230000007787 long-term memory Effects 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims description 21
- 238000012800 visualization Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013526 transfer learning Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 3
- 230000007423 decrease Effects 0.000 abstract description 2
- 238000006073 displacement reaction Methods 0.000 abstract description 2
- 239000003673 groundwater Substances 0.000 abstract description 2
- 239000011148 porous material Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于LSTM长短期记忆网络的智能滑坡监测装置与方法，涉及滑坡监测预警及人工智能领域，通过对滑坡历史监测数据的获得不同的输入特征值，如表面变形、深部位移、地下水位、孔隙水压力、渗透流速，以及滑坡是否失稳添加数据标签，并将监测数据按照一定的比例划分为训练集、验证集、测试集；训练集在LSTM网络下进行梯度下降训练，获得训练模型；验证集、测试集在训练模型中运行获得准确率结果，通过对结果分析确定模型及数据集调整方向，经过不断调试获得准确率较高的监测模型。本发明结合人工智能优化算法，提高了对于滑坡灾害预测的准确性，降低了滑坡灾害监测装置的成本，结合迁移学习后大范围推广到其他类滑坡的监测。
Description
技术领域
本发明涉及地质灾害滑坡预测预警中人工智能深度学习领域，尤其涉及一种基于LSTM长短期记忆网络的智能滑坡监测装置与方法。
背景技术
由于滑坡灾害会给人们带来严重的生命、经济损失，因此滑坡的灾害监测一直是重点研发项目，其中对滑坡破坏情况的预测是降低滑坡灾害的有效损失。
大数据支持下的智能预测预警技术随着人工智能时代的到来，正在迅速兴起，但是对于滑坡的预警技术普遍没有考虑到滑坡监测数据的时序性，所以效果并不理想。
目前基于机器学习的滑坡预警技术普遍不够深入，包括方法的选择、参数的调整、优化以及预警产品落地十分困难。
发明内容
发明目的：本发明的目的在于提供一种基于LSTM长短期记忆网络的智能滑坡监测装置与监测方法，重点考虑降雨、库水位升降及其引起的地下水位变化等因素，以提高其便利性与准确性。
技术方案：针对以上技术问题，本发明的技术方案如下：
一种基于LSTM长短期记忆网络的智能滑坡监测装置，包括：数据输入模块、模型训练模块、模型优化模块、模型可视化模块、用户操作模块；数据模块与模型训练模块相连；模型优化模块与模型优化模块相连；模型优化模块与模型可视化模块相连；模型可视化模块与用户操作模块相连。
其中，数据模块负责对滑坡历史监测数据的提取、预测结果的标定、数据集的划分；训练模块负责数据在LSTM网络上的训练并生成训练模型；模型优化模块负责对训练模型的优化以及对数据集划分的调整；模型可视化模块负责对模型结果的直观展示；用户操作模块负责用户自主使用此监测装置。
一种基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，包括以下步骤：
步骤1，数据处理过程；
步骤2，模型训练过程；
步骤3，模型优化过程；
步骤4，模型可视化过程。
其中，步骤1中，数据处理过程包括以下步骤：
步骤1.1：提取滑坡历史监测数据，添加滑坡稳定状态的标签(1：稳定、0：滑动)；
步骤1.2：进行数据集的划分：训练集、验证集、测试集；如果监测数据为5年以内，训练集(90％)、验证集(5％)、测试集(5％)；如果监测数据为5年以上，训练集(98％)、验证集(1％)、测试集(1％)；
步骤2中的模型训练过程包括以下步骤：
步骤2.1：构建LSTM单元的遗忘门：利用sigmoid函数决定哪些特征信息需要被遗忘，ft＝σ(Wf·[ht-1，xt]+bf)，表示当开始接收新的对预测结果影响大的特征信息时，忘记对预测结果影响小的特征信息；
其中，ft代表遗忘门信息，σ代表sigmoid函数，Wf、bf代表遗忘门权重，ht-1代表上一个单元的输出信息，xt当前单元的输入信息；
步骤2.2：构建LSTM单元的输入门：首先利用sigmoid函数决定哪些特征信息需要更新：it＝σ(Wi·[ht-1，xt]+bi)；其次用tanh层生成备选的需要更新的向量：最后更新Ct:
其中，it代表更新的信息，代表新的候选值，Ct代表当前单元的状态信息；
步骤2.3：构建LSTM单元的输出门：首先通过sigmoid函数确定特征信息的哪个部分将输出出去：ot＝σ(Wo[ht-1，xt]+bo)；其次用tanh层处理Ct确定最终输出的部分：ht＝ot*tanh(Ct)；
其中，ot代表输出的特征信息部分，ht代表最终输出的信息；
步骤2.4：通过LSTM单元构建神经网络层，一般神经网络层数为2～4；
步骤2.5：将序列化输入特征信息分为不同Batch在步骤5.4构建的神经网络中进行训练，得到序列输出。
步骤2.6：定义损失函数用以评估预测值和真实值的差距；
步骤2.7：使用随机梯度下降法计算神经网络的反向传播过程，使得损失函数获得最小值，获得训练模型。
步骤3中，模型优化过程包括以下步骤：
步骤3.1：使用验证集和测试集分别在训练模型中测试，获得测试结果；
步骤3.2：根据训练集和验证集的测试准确率确定模型存在高偏差或高方差问题，然后进行调整网络大小或数据集大小及是否采用正则化等；
步骤3.3：提升神经网络的训练速度：选择Adam或者RMSProp等优化算法，及学习率衰减等；
步骤3.4：每隔一段时间进行一次超参数调试，以保证数据都可以在模型中获得良好的表现。
其中的模型可视化过程根据所选的深度学习框架自带的可视化模块进行显示，或者可以自行编辑。
工作原理：本发明基于LSTM大数据支持下深度学习方法，提出了一种适用于滑坡的智能监测装置及方法；通过对滑坡历史监测数据的获得不同的输入特征值，如表面变形、深部位移、地下水位、孔隙水压力、渗透流速，以及滑坡是否失稳添加数据标签，并将监测数据按照一定的比例划分为训练集、验证集、测试集；训练集在LSTM网络下进行梯度下降训练，获得训练模型；验证集、测试集在训练模型中运行获得准确率结果，通过对结果分析确定模型及数据集调整方向，经过不断调试获得准确率较高的监测模型，使得工程人员可以直接使用，并且获得很高的准确率以及便利性。
有益效果：与现有技术相比，本发明不同用户在使用时可以使用迁移学习改变输出层，用以训练自己的数据，都可以获得很理想的效果。通过不断的向训练模型输入数据可以不断地改善模型的表现，通过保持不断的调整，使得模型一直保持最佳状态。本发明结合人工智能优化算法，极大的提高了对于滑坡灾害预测的准确性，降低了滑坡灾害监测装置的成本，结合迁移学习后可以大范围推广到其他类型滑坡的监测。
附图说明
图1是本发明监测装置的总体结构图；
图2是本发明方法的流程图。
具体实施方式
如图1所示，本发明监测装置包括：数据输入模块、模型训练模块、模型优化模块、模型可视化模块和用户操作模块；其中数据输入模块与模型训练模块相连；模型训练模块与模型优化模块相连；模型优化模块与模型可视化模块相连；模型可视化模块与用户操作模块相连。
数据输入模块负责对滑坡历史监测数据的提取、预测结果的标定、数据集的划分；模型训练模块负责数据在LSTM网络上的训练并生成训练模型；模型优化模块负责对训练模型的优化以及对数据集划分的调整；模型可视化模块负责对模型结果的直观展示；用户操作模块负责用户自主使用此监测装置。
如图2所示，一种基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，包括以下步骤：
步骤1，数据处理过程；
步骤2，模型训练过程,；
步骤3，模型优化过程；
步骤4，模型可视化过程。
步骤1的数据处理过程包括以下步骤：
步骤1.1：提取滑坡历史监测数据，添加滑坡稳定状态的标签；标签1代表稳定，标签0代表滑动；
步骤1.2：进行数据集的划分：训练集、验证集、测试集；如果监测数据为5年以内，训练集(90％)、验证集(5％)、测试集(5％)；如果监测数据为5年以上，训练集(98％)、验证集(1％)、测试集(1％)；
步骤2的模型训练过程包括以下步骤：
步骤2.1：构建LSTM单元的遗忘门：利用sigmoid函数决定哪些特征信息需要被遗忘，ft＝σ(Wf·[ht-1，xt]+bf)，表示当开始接收新的对预测结果影响大的特征信息时，忘记对预测结果影响小的特征信息；
其中，ft代表遗忘门信息，σ代表sigmoid函数，Wf、bf代表遗忘门权重，ht-1代表上一个单元的输出信息，xt当前单元的输入信息；
步骤2.2：构建LSTM单元的输入门：首先利用sigmoid函数决定哪些特征信息需要更新：it＝σ(Wi·[ht-1，xt]+bi)；其次用tanh层生成备选的需要更新的向量：最后更新Ct:
其中，it代表更新的信息，代表新的候选值，Ct代表当前单元的状态信息；
步骤2.3：构建LSTM单元的输出门：首先通过sigmoid函数确定特征信息的哪个部分将输出出去：ot＝σ(Wo[ht-1，xt]+bo)；其次用tanh层处理Ct确定最终输出的部分：ht＝ot*tanh(Ct)；
其中，ot代表输出的特征信息部分，ht代表最终输出的信息；
步骤2.4：通过LSTM单元构建神经网络层，神经网络层数为2～4；
步骤2.5：将序列化输入特征信息分为不同Batch在步骤2.4构建的神经网络中进行训练，得到序列输出。
步骤2.6：定义损失函数用以评估预测值和真实值的差距；
其中，在统计学中损失函数是一种衡量损失和错误，这种损失与“错误地”估计有关，如费用或者设备的损失程度的函数，是公知常识。
步骤2.7：使用随机梯度下降法计算神经网络的反向传播过程，使得损失函数获得最小值，获得训练模型。
步骤3中的模型优化过程包括以下步骤：
步骤3.1：使用验证集和测试集分别在训练模型中测试，获得测试结果；
步骤3.2：根据训练集和验证集的测试准确率确定模型存在高偏差或高方差问题，然后进行调整网络大小或数据集大小及是否采用正则化等；
步骤3.3：提升神经网络的训练速度：选择Adam或者RMSProp等优化算法，及学习率衰减等；
步骤3.4：每隔一段时间进行一次超参数调试，以保证数据都可以在模型中获得良好的表现。
步骤4中的模型可视化过程根据所选的深度学习框架自带的可视化模块进行显示，或者可以自行编辑。
Claims (8)
1.一种基于LSTM长短期记忆网络的智能滑坡监测装置，其特征在于：包括：数据输入模块、模型训练模块、模型优化模块、模型可视化模块和用户操作模块；所述数据输入模块与模型训练模块相连；所述模型训练模块与模型优化模块相连；所述模型优化模块与模型可视化模块相连；所述模型可视化模块与用户操作模块相连。
2.根据权利要求1所述的基于LSTM长短期记忆网络的智能滑坡监测装置，其特征在于：所述数据模块负责对滑坡历史监测数据的提取、预测结果的标定、数据集的划分；所述训练模块负责数据在LSTM网络上的训练并生成训练模型；所述模型优化模块负责对训练模型的优化以及对数据集划分的调整；所述模型可视化模块负责对模型结果的直观展示；所述用户操作模块负责用户自主使用所述监测装置。
3.一种采用如根据权利要求1或2所述的基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，其特征在于：包括以下步骤：
步骤(1)，数据处理过程；
步骤(2)，模型训练过程；
步骤(3)，模型优化过程；
步骤(4)，模型可视化过程。
4.根据权利要求3所述的基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，其特征在于：步骤(1)中，所述数据处理过程包括以下步骤：
步骤(1.1)：提取滑坡历史监测数据，添加滑坡稳定状态的标签。
步骤(1.2)：根据监测数据进行数据集的划分，划分为训练集、验证集、测试集；
5.根据权利要求4所述的基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，其特征在于：步骤(1.2)中，所述数据集划分，根据数据集的大小决定训练集、验证集、测试集的大小。
6.根据权利要求3所述的基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，其特征在于：步骤(2)中，所述模型训练过程包括以下步骤：
步骤(2.1)：构建LSTM单元的遗忘门：利用sigmoid函数决定需要被遗忘的特征信息，ft＝σ(Wf·[ht-1，xt]+bf)，表示当开始接收新的对预测结果影响大的特征信息时，忘记对预测结果影响小的特征信息；
其中，ft代表遗忘门信息，σ代表sigmoid函数，Wf、bf代表遗忘门权重，ht-1代表上一个单元的输出信息，xt当前单元的输入信息；
步骤(2.2)：构建LSTM单元的输入门：首先利用sigmoid函数决定哪些特征信息需要更新：it＝σ(Wi·[ht-1，xt]+bi)；其次用tanh层生成备选的需要更新的向量：最后更新Ct:
其中，it代表更新哪些信息，代表新的候选值，Ct代表当前单元的状态信息；
步骤(2.3)：构建LSTM单元的输出门：首先通过sigmoid函数确定特征信息的哪个部分将输出出去：ot＝σ(Wo[ht-1，xt]+bo)；其次用tanh层处理Ct确定最终输出的部分：ht＝ot*tanh(Ct)；
其中，ot代表输出的特征信息部分，ht代表最终输出的信息；
步骤(2.4)：通过LSTM单元构建神经网络层，神经网络层数为2～4；
步骤(2.5)：将序列化输入特征信息分为不同Batch在步骤(2.4)构建的神经网络中进行训练，得到序列输出；
步骤(2.6)：定义损失函数，用以评估预测值和真实值的差距；
步骤(2.7)：使用随机梯度下降法计算神经网络的反向传播过程，使得损失函数获得最小值，获得训练模型。
7.根据权利要求3所述的基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，其特征在于：步骤(3)中，所述模型优化过程包括以下步骤：
步骤(3.1)：使用验证集和测试集分别在训练模型中测试，获得测试结果；
步骤(3.2)：根据训练集和验证集的测试准确率确定模型存在高偏差或高方差问题，然后进行调整网络大小或数据集大小及是否采用正则化等；
步骤(3.3)：提升神经网络的训练速度：选择Adam或者RMSProp等优化算法，随着训练过程逐渐减小学习率，即每次迭代算法优化的步长。
步骤(3.4)：每隔一段时间进行一次超参数调试。
8.根据权利要求3所述的基于LSTM长短期记忆网络的智能滑坡监测装置的监测方法，其特征在于：步骤(4)中，所述模型可视化过程根据所选的深度学习框架自带的可视化模块进行显示，或者自行编辑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330634.8A CN109558971A (zh) | 2018-11-09 | 2018-11-09 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330634.8A CN109558971A (zh) | 2018-11-09 | 2018-11-09 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109558971A true CN109558971A (zh) | 2019-04-02 |
Family
ID=65866123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811330634.8A Pending CN109558971A (zh) | 2018-11-09 | 2018-11-09 | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109558971A (zh) |
Cited By (27)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110220979A (zh) * | 2019-06-26 | 2019-09-10 | 重庆地质矿产研究院 | 基于微地震技术的高陡岸坡稳定性监测系统与评价方法 |
| CN110245785A (zh) * | 2019-05-21 | 2019-09-17 | 上海市市政工程建设发展有限公司 | 一种智能化主动伺服基坑轴力控制方法 |
| CN110263447A (zh) * | 2019-06-24 | 2019-09-20 | 中国汽车工程研究院股份有限公司 | 一种基于长短期记忆网络的载荷谱外推方法 |
| CN110400000A (zh) * | 2019-05-31 | 2019-11-01 | 西安工程大学 | 基于奇异值分解和upf的滑坡位移预测方法 |
| CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
| CN111141653A (zh) * | 2019-12-30 | 2020-05-12 | 上海地铁维护保障有限公司 | 一种基于神经网络的隧道渗漏速率预测方法 |
| CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
| CN111241747A (zh) * | 2020-01-13 | 2020-06-05 | 佛山科学技术学院 | 机械臂逆运动学求解方法、系统、计算机设备及存储介质 |
| CN111553542A (zh) * | 2020-05-15 | 2020-08-18 | 无锡职业技术学院 | 一种用户优惠券核销率预测方法 |
| CN111613338A (zh) * | 2020-05-19 | 2020-09-01 | 中国电子科技集团公司第三十八研究所 | 棘慢复合波检测模型构建方法、系统 |
| CN111639813A (zh) * | 2020-06-01 | 2020-09-08 | 福州大学 | 基于深度学习的弃渣场危险性预警方法及系统 |
| CN111833266A (zh) * | 2020-06-18 | 2020-10-27 | 杭州电子科技大学 | 一种循环神经网络运动模糊复原方法 |
| CN111831632A (zh) * | 2020-06-17 | 2020-10-27 | 河海大学 | 一种基于gru的地下工程支护智能监测预警系统及方法 |
| CN111859814A (zh) * | 2020-07-30 | 2020-10-30 | 中国电建集团昆明勘测设计研究院有限公司 | 基于lstm深度学习的岩石时效变形预测方法及其系统 |
| CN111858803A (zh) * | 2020-07-06 | 2020-10-30 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
| CN112270229A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于奇异谱分析的滑坡体位移预测方法 |
| CN112394137A (zh) * | 2019-08-14 | 2021-02-23 | 中国科学院沈阳计算技术研究所有限公司 | 一种环境空气质量监测智能校准方法 |
| CN112446173A (zh) * | 2020-11-25 | 2021-03-05 | 河南省高速公路联网管理中心 | 基于长短期记忆网络的桥梁温度预测方法、介质及设备 |
| CN112633604A (zh) * | 2021-01-04 | 2021-04-09 | 重庆邮电大学 | 一种基于i-lstm的短期用电量预测方法 |
| CN113033101A (zh) * | 2021-03-30 | 2021-06-25 | 桂林电子科技大学 | 一种基于lstm算法的滑坡稳定性评价方法 |
| CN113065455A (zh) * | 2021-03-30 | 2021-07-02 | 中国水利水电科学研究院 | 一种基于深度学习的滑坡风险巡检方法及系统 |
| CN113378582A (zh) * | 2021-07-15 | 2021-09-10 | 重庆交通大学 | 一种基于语义信息驱动的滑坡位移预测模型及方法 |
| CN113746705A (zh) * | 2021-09-09 | 2021-12-03 | 北京天融信网络安全技术有限公司 | 一种渗透测试方法、装置、电子设备及存储介质 |
| CN113807031A (zh) * | 2021-11-18 | 2021-12-17 | 广东智云工程科技有限公司 | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 |
| CN114966685A (zh) * | 2022-05-24 | 2022-08-30 | 中国水利水电科学研究院 | 基于InSAR和深度学习的大坝形变监测及预测方法 |
| CN116956046A (zh) * | 2023-09-07 | 2023-10-27 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
| CN117059269A (zh) * | 2023-08-10 | 2023-11-14 | 成都艾视医院管理有限公司 | 一种基于深度学习的青少年近视预测方法及模型 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
| US20180089763A1 (en) * | 2016-09-23 | 2018-03-29 | Aon Benfield Inc. | Platform, Systems, and Methods for Identifying Property Characteristics and Property Feature Maintenance Through Aerial Imagery Analysis |
-
2018
- 2018-11-09 CN CN201811330634.8A patent/CN109558971A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180089763A1 (en) * | 2016-09-23 | 2018-03-29 | Aon Benfield Inc. | Platform, Systems, and Methods for Identifying Property Characteristics and Property Feature Maintenance Through Aerial Imagery Analysis |
| CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹国清 等: "基于PCA-LSTM的多变量矿山排土场滑坡预警研究", 《计算机系统应用》 * |
| 杨背背 等: "基于时间序列与长短时记忆网络的滑坡位移动态预测模型", 《岩石力学与工程学报》 * |
Cited By (42)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110245785A (zh) * | 2019-05-21 | 2019-09-17 | 上海市市政工程建设发展有限公司 | 一种智能化主动伺服基坑轴力控制方法 |
| CN110400000A (zh) * | 2019-05-31 | 2019-11-01 | 西安工程大学 | 基于奇异值分解和upf的滑坡位移预测方法 |
| CN110263447A (zh) * | 2019-06-24 | 2019-09-20 | 中国汽车工程研究院股份有限公司 | 一种基于长短期记忆网络的载荷谱外推方法 |
| CN110220979A (zh) * | 2019-06-26 | 2019-09-10 | 重庆地质矿产研究院 | 基于微地震技术的高陡岸坡稳定性监测系统与评价方法 |
| CN110220979B (zh) * | 2019-06-26 | 2021-12-10 | 重庆地质矿产研究院 | 基于微地震技术的高陡岸坡稳定性监测系统与评价方法 |
| CN112394137A (zh) * | 2019-08-14 | 2021-02-23 | 中国科学院沈阳计算技术研究所有限公司 | 一种环境空气质量监测智能校准方法 |
| CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
| CN110686633B (zh) * | 2019-08-30 | 2021-09-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
| CN111191871A (zh) * | 2019-11-21 | 2020-05-22 | 深圳壹账通智能科技有限公司 | 项目基线数据生成方法、装置、计算机设备和存储介质 |
| CN111141653B (zh) * | 2019-12-30 | 2022-08-09 | 上海地铁维护保障有限公司 | 一种基于神经网络的隧道渗漏速率预测方法 |
| CN111141653A (zh) * | 2019-12-30 | 2020-05-12 | 上海地铁维护保障有限公司 | 一种基于神经网络的隧道渗漏速率预测方法 |
| CN111241747A (zh) * | 2020-01-13 | 2020-06-05 | 佛山科学技术学院 | 机械臂逆运动学求解方法、系统、计算机设备及存储介质 |
| CN111553542A (zh) * | 2020-05-15 | 2020-08-18 | 无锡职业技术学院 | 一种用户优惠券核销率预测方法 |
| CN111553542B (zh) * | 2020-05-15 | 2023-09-05 | 无锡职业技术学院 | 一种用户优惠券核销率预测方法 |
| CN111613338A (zh) * | 2020-05-19 | 2020-09-01 | 中国电子科技集团公司第三十八研究所 | 棘慢复合波检测模型构建方法、系统 |
| CN111639813A (zh) * | 2020-06-01 | 2020-09-08 | 福州大学 | 基于深度学习的弃渣场危险性预警方法及系统 |
| CN111831632B (zh) * | 2020-06-17 | 2022-11-04 | 河海大学 | 一种基于gru的地下工程支护智能监测预警系统及方法 |
| CN111831632A (zh) * | 2020-06-17 | 2020-10-27 | 河海大学 | 一种基于gru的地下工程支护智能监测预警系统及方法 |
| CN111833266A (zh) * | 2020-06-18 | 2020-10-27 | 杭州电子科技大学 | 一种循环神经网络运动模糊复原方法 |
| CN111858803A (zh) * | 2020-07-06 | 2020-10-30 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
| CN111858803B (zh) * | 2020-07-06 | 2021-09-21 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
| CN111859814B (zh) * | 2020-07-30 | 2023-07-28 | 中国电建集团昆明勘测设计研究院有限公司 | 基于lstm深度学习的岩石时效变形预测方法及其系统 |
| CN111859814A (zh) * | 2020-07-30 | 2020-10-30 | 中国电建集团昆明勘测设计研究院有限公司 | 基于lstm深度学习的岩石时效变形预测方法及其系统 |
| CN112270229A (zh) * | 2020-10-16 | 2021-01-26 | 西安工程大学 | 一种基于奇异谱分析的滑坡体位移预测方法 |
| CN112446173B (zh) * | 2020-11-25 | 2024-02-23 | 河南省高速公路联网管理中心 | 基于长短期记忆网络的桥梁温度预测方法、介质及设备 |
| CN112446173A (zh) * | 2020-11-25 | 2021-03-05 | 河南省高速公路联网管理中心 | 基于长短期记忆网络的桥梁温度预测方法、介质及设备 |
| CN112633604B (zh) * | 2021-01-04 | 2022-04-22 | 重庆邮电大学 | 一种基于i-lstm的短期用电量预测方法 |
| CN112633604A (zh) * | 2021-01-04 | 2021-04-09 | 重庆邮电大学 | 一种基于i-lstm的短期用电量预测方法 |
| CN113033101A (zh) * | 2021-03-30 | 2021-06-25 | 桂林电子科技大学 | 一种基于lstm算法的滑坡稳定性评价方法 |
| CN113065455A (zh) * | 2021-03-30 | 2021-07-02 | 中国水利水电科学研究院 | 一种基于深度学习的滑坡风险巡检方法及系统 |
| CN113065455B (zh) * | 2021-03-30 | 2021-09-17 | 中国水利水电科学研究院 | 一种基于深度学习的滑坡风险巡检方法及系统 |
| CN113378582A (zh) * | 2021-07-15 | 2021-09-10 | 重庆交通大学 | 一种基于语义信息驱动的滑坡位移预测模型及方法 |
| CN113378582B (zh) * | 2021-07-15 | 2022-04-26 | 重庆交通大学 | 基于语义信息驱动的滑坡位移预测模型构建及使用方法 |
| CN113746705A (zh) * | 2021-09-09 | 2021-12-03 | 北京天融信网络安全技术有限公司 | 一种渗透测试方法、装置、电子设备及存储介质 |
| CN113746705B (zh) * | 2021-09-09 | 2024-01-23 | 北京天融信网络安全技术有限公司 | 一种渗透测试方法、装置、电子设备及存储介质 |
| CN113807031A (zh) * | 2021-11-18 | 2021-12-17 | 广东智云工程科技有限公司 | 基于lstm与深度残差神经网络的基坑灾害预测预警方法 |
| CN114966685B (zh) * | 2022-05-24 | 2023-04-07 | 中国水利水电科学研究院 | 基于InSAR和深度学习的大坝形变监测及预测方法 |
| CN114966685A (zh) * | 2022-05-24 | 2022-08-30 | 中国水利水电科学研究院 | 基于InSAR和深度学习的大坝形变监测及预测方法 |
| CN117059269A (zh) * | 2023-08-10 | 2023-11-14 | 成都艾视医院管理有限公司 | 一种基于深度学习的青少年近视预测方法及模型 |
| CN117059269B (zh) * | 2023-08-10 | 2024-04-26 | 成都艾视医院管理有限公司 | 一种基于深度学习的青少年近视预测方法及模型 |
| CN116956046A (zh) * | 2023-09-07 | 2023-10-27 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
| CN116956046B (zh) * | 2023-09-07 | 2023-12-29 | 西南交通大学 | 一种基于循环神经网络的地震滑坡危险性分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558971A (zh) | 基于lstm长短期记忆网络的智能滑坡监测装置与方法 | |
| CN107092870B (zh) | 一种高分辨率影像语义信息提取方法 | |
| CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
| CN103974311B (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
| CN109934337A (zh) | 一种基于集成lstm的航天器遥测数据异常的检测方法 | |
| CN110991690B (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
| CN108171209A (zh) | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 | |
| CN107944559A (zh) | 一种实体关系自动识别方法及系统 | |
| CN106529569A (zh) | 基于深度学习的三维模型三角面特征学习分类方法及装置 | |
| CN110400006A (zh) | 基于深度学习算法的油井产量预测方法 | |
| CN109612513A (zh) | 一种面向大规模高维传感器数据的在线式异常检测方法 | |
| CN107742168A (zh) | 一种基于物联技术的生产车间动态瓶颈预测方法 | |
| CN110458336A (zh) | 一种基于深度学习的网约车供需预测方法 | |
| CN106408120B (zh) | 一种局部区域滑坡预测装置及方法 | |
| CN103854292A (zh) | 一种人数及人群运动方向的计算方法及装置 | |
| CN103954300A (zh) | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 | |
| Wongchai et al. | Farm monitoring and disease prediction by classification based on deep learning architectures in sustainable agriculture | |
| CN104077609A (zh) | 一种基于条件随机场的显著性检测方法 | |
| CN103235982A (zh) | 一种基于贝叶斯网络模型的渔场预报方法 | |
| Prasetya et al. | Rainfall forecasting for the natural disasters preparation using recurrent neural networks | |
| CN107766201A (zh) | 一种软件处理方法和装置、电子设备 | |
| CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
| Liu et al. | Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach | |
| CN109145373A (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
| CN114417740B (zh) | 一种深海养殖态势感知方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |
|
| RJ01 | Rejection of invention patent application after publication |