CN110472729A - 基于综合cnn-lstm的岩爆状态预测方法 - Google Patents
基于综合cnn-lstm的岩爆状态预测方法 Download PDFInfo
- Publication number
- CN110472729A CN110472729A CN201910712725.6A CN201910712725A CN110472729A CN 110472729 A CN110472729 A CN 110472729A CN 201910712725 A CN201910712725 A CN 201910712725A CN 110472729 A CN110472729 A CN 110472729A
- Authority
- CN
- China
- Prior art keywords
- phase space
- data
- cnn
- rock burst
- state variable
- 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.)
- Granted
Links
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于综合CNN‑LSTM的岩爆状态预测方法,包括:根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构,得到相空间;将所述相空间输入卷积神经网络CNN,得到具有高维特征信息的时间序列;将所述时间序列输入深度学习LSTM模型,进行特征时间序列预测;将所述岩爆状态变量时序数据划分为训练集数据和测试集数据,利用所述训练集数据对CNN‑LSTM模型进行学习训练,提取所述相空间数据演化的时间特征,获得训练好的CNN‑LSTM模型。本发明的方法将CNN表现出的数据特征高表达能力与深度学习LSTM模型在连续性时序数据预测上的优势组合起来进行t+1时刻岩爆状态预测,以降低预测误差,提高预测精度。
Description
技术领域
本发明涉及地下开挖工程和矿山采掘工程领域,特别涉及一种基于综合 CNN-LSTM的岩爆状态预测方法。
背景技术
矿山岩爆一直都是矿山行业重大的安全威胁之一,其灾害的发生具有高确 定性和不可预知性。矿山岩爆的精准预测是地压灾害防治的基础,已有专家学 者关注此问题,并开展了大量相关研究工作。同时,国内外针对岩爆灾害已投 入了众多监测资源并获取了岩爆相关的大量多源异构监测数据。
在岩爆和冲击地压预测预警领域中,大量学者基于智能岩石力学理论,利 用微震、电磁辐射、声发射、红外辐射等时序性监测数据开展了一系列预测研 究。如在进行岩爆和冲击地压预测时,有学者使用现场岩爆监测的声发射时间 序列数据,基于小波神经网络进行非线性拟合预测,预测精度较高,然而其依 据的数据量过小同时没有保留测试集对其预测的未来时刻状态值进行比较。此 外,有学者考虑到冲击地压的混沌特征,提出基于多变量时间序列相空间重构 GRNN模型,其方法利用具有较强逼近能力与较快学习速度的广义神经网络 GRNN模型进行预测,结合遗传优化算法寻找重构相空间参数嵌入维度、延迟时间及GRNN光滑因子的最佳组合,使用多状态量重构后的相空间作为输入, 并进行单步和多步预测结果对比,完成了冲击地压预测实验,具有一定的创新 性和工程适应性,有力地促进了岩爆和冲击地压预测预警领域地发展。尽管如 此,现有技术还是存在以下缺点:
第一,针对岩爆和冲击地压状态量的混沌特性,进行状态量相空间重构后, 现有方法并没有对其重构后相空间中的特征进行提取,而是直接作为预测输入, 造成还原相空间中时序性等重要特征信息丢失,造成预测误差较大,精度不高。
第二,岩爆和冲击地压的发生过程实际上是一个孕育演化过程中具有非线 性动力学过程,在岩爆和冲击地压的非线性拟合预测范畴中,大部分机器学习 方法在岩爆和冲击地压的非线性拟合及预测时无法考虑其孕育演化过程中在 时间上表现出的连续性及记忆性,使得预测误差较大,精度不高。
发明内容
本发明提供了一种基于综合CNN-LSTM的岩爆状态预测方法,其目的是 为了解决岩爆状态预测误差较大,精度不高的问题。
为了达到上述目的,本发明的实施例提供了一种基于综合CNN-LSTM的 岩爆状态预测方法,包括:
根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构,得到相空 间;
将所述相空间输入卷积神经网络CNN,得到具有高维特征信息的时间序 列;
将所述具有高维特征信息的时间序列输入深度学习LSTM模型,进行特 征时间序列预测;
将所述岩爆状态变量时序数据划分为训练集数据和测试集数据,利用所述 训练集数据对CNN-LSTM模型进行学习训练,提取所述相空间数据演化的时 间特征,获得训练好的CNN-LSTM模型;
将所述测试集数据输入所述CNN-LSTM模型,得到预测结果;
判断所述预测结果的准确性是否超过阈值;
若所述预测结果的准确性超过阈值,则利用所述CNN-LSTM神经网络模 型进行t+1时刻岩爆演化状态值的预测。
其中,在所述判断所述预测结果的准确性是否超过阈值的步骤之后,所述 方法还包括:
若所述预测结果的准确性未超过阈值,则重复所述将所述岩爆状态变量时 序数据划分为训练集数据和测试集数据,利用所述训练集数据对CNN-LSTM 模型进行学习训练,提取所述相空间数据演化的时间特征,直至CNN-LSTM 模型收敛。
其中,所述根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构, 得到相空间的步骤,包括:
使用虚假邻近点法,计算状态变量序列嵌入维度m;
使用互信息法,计算状态变量序列延迟时间τ;
利用所述状态变量序列嵌入维度m和所述状态变量序列延迟时间τ,进行 原始监测数据的相空间重构,得到相空间。
其中,所述利用所述状态变量序列嵌入维度m和所述状态变量序列延迟时 间τ,进行原始监测数据的相空间重构,得到相空间的步骤,包括:
对于原始监测数据中的监测时序数据第i个特征变量的重构空间状 态为
其中,i=1,2...I,I表示特征变量数,N表示时间序列的长度,Xi,n为第i个 特征变量相空间上的一点,mi为第i个特征变量嵌入维度,τi为第i个特征变量 延迟时间。
其中,在所述根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重 构,得到相空间的步骤之前,所述方法还包括:
对原始监测数据进行去噪处理。
其中,所述对原始监测数据进行去噪处理的步骤,包括:
使用前后均值法对原始监测数据中记录缺失的值进行填补;
其中,xi=(xi-1+xi+1)/2,xi值大于3σ的记录数据为异常噪声,通过 xi=μ·xi修正,μ的取值为0.85。
其中,所述将所述相空间输入卷积神经网络CNN,得到具有高维特征信 息的时间序列的步骤,包括:
将所述相空间输入卷积函数提取出高维特征信息;
通过池化层提取重要特征,并通过Flatten层将输入压平为一维向量,得 到具有高维特征信息的时间序列。
其中,LSTM采取单层结构,在所述将所述时间序列输入深度学习LSTM 模型,进行特征时间序列预测的步骤中,模型损失函数使用均方误差并引入L2正则化,loss函数L2正则化:
其中,λ是一个超参数。
本发明的上述方案有如下的有益效果:
本发明的上述实施例所述的基于综合CNN-LSTM的岩爆状态预测方法依 据混沌理论对岩爆系统各特征状态变量进行相空间重构,在此基础上,利用卷 积神经网络CNN对重构后的相空间进行重要的数据特征抽取;然后利用深度 学习LSTM模型在时序数据表现出的记忆性,对提取概括后的时序特征数据 进行t+1时刻状态值预测,以降低岩爆状态值预测的误差和提高岩爆状态值的 准确性及稳定性。
附图说明
图1是本发明的基于综合CNN-LSTM的岩爆状态预测方法的实现流程;
图2是本发明的实施例提供的冬瓜山铜矿微震监测数据的三维可视化和 微震监测数据清洗后的角频率比、能量指数及凹凸体半径趋势可视化图;
图3是本发明的实施例提供的各特征变量间相空间重构时采用假近邻法 和互信息法计算序列嵌入维度m和序列延迟时间τ的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附 图及具体实施例进行详细描述。
本发明针对现有的岩爆状态预测误差较大,精度不高的问题,提供了一种 于综合CNN-LSTM的岩爆状态预测方法。
如图1所示,本发明的实施例提供了一种基于综合CNN-LSTM的岩爆状 态预测方法,包括:
根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构,得到相空 间;
将所述相空间输入卷积神经网络CNN,得到具有高维特征信息的时间序 列;
将所述具有高维特征信息的时间序列输入深度学习LSTM模型,进行特 征时间序列预测;
将所述岩爆状态变量时序数据划分为训练集数据和测试集数据,利用所述 训练集数据对CNN-LSTM模型进行学习训练,提取所述相空间数据演化的时 间特征,获得训练好的CNN-LSTM模型;
将所述测试集数据输入所述CNN-LSTM模型,得到预测结果;
判断所述预测结果的准确性是否超过阈值;
若所述预测结果的准确性超过阈值,则利用所述CNN-LSTM神经网络模 型进行t+1时刻岩爆演化状态值的预测。
本发明的上述实施例所述的所述的方法针对岩爆状态量演化过程的混沌 性,基于混沌理论,进行岩爆状态变量的相空间重构;构建的CNN-LSTM模 型可以看做两部分,卷积神经网络CNN部分,用于底层表达及抽取数据更多 的重要特征信息,以作为LSTM的输入;长短时记忆网络LSTM部分,用于 接受CNN提取特征的输出,依据其在时序上具有的记忆性,准确地提取时间 序列特征,以进行未来岩爆状态值预测,产生最终预测结果;CNN-LSTM模型训练,首先将数据集划分为训练集和测试集,利用训练数据对LSTM模型 进行学习训练,提取重构相空间数据演化的时间特征。其中,训练模型时,主 要设置超参数包括批处理大小、损失函数,优化器设置包括模型权重和偏置更 新方式、学习率;获得训练好的CNN-LSTM神经网络,输入测试集到模型中, 获取预测结果;判断预测结果的准确性,若准确性超过阈值,则利用训练完成的 模型进行t+1时刻岩爆演化状态值的预测。
其中,在所述判断所述预测结果的准确性是否超过阈值的步骤之后,所述 方法还包括:
若所述预测结果的准确性未超过阈值,则重复所述将所述岩爆状态变量时 序数据划分为训练集数据和测试集数据,利用所述训练集数据对LSTM模型 进行学习训练,提取所述相空间数据演化的时间特征的步骤,直至CNN-LSTM 模型收敛。
其中,所述根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构, 得到相空间的步骤,包括:
使用虚假邻近点法,计算状态变量序列嵌入维度m;
使用互信息法,计算状态变量序列延迟时间τ;
利用所述状态变量序列嵌入维度m和所述状态变量序列延迟时间τ,进行 原始监测数据的相空间重构,得到相空间。
本发明的上述实施例所述的进行岩爆状态变量的相空间重构,主要包括1) 求状态变量序列嵌入维度,使用虚假邻近点法FNN计算;2)求状态变量序列 延迟时间,使用互信息法计算;3)重构状态变量的相空间,计算得出重构相空 间的两个参数后,利用这两个参数进行原始监测数据的相空间重构,还原其真 实空间。
其中,所述利用所述状态变量序列嵌入维度m和所述状态变量序列延迟时 间τ,进行原始监测数据的相空间重构,得到相空间的步骤,包括:
依据嵌入定理原理,对于原始监测数据中的监测时序数据第i个特 征变量的重构空间状态为
其中,i=1,2...I,I表示特征变量数,N表示时间序列的长度,Xi,n为第i个 特征变量相空间上的一点,mi为第i个特征变量嵌入维度,τi为第i个特征变量 延迟时间。
经过相空间重构后,存在映射函数F:Gm→Gm,使得:Xn+l→F(Xn);
其中,l为预测步数,即可根据重构后的状态变量相空间来预测时间序列 Xn+l即未来l步的状态值。
其中,在所述根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重 构,得到相空间的步骤之前,所述方法还包括:
对原始监测数据进行去噪处理。
其中,所述对原始监测数据进行去噪处理的步骤,包括:
使用前后均值法对原始监测数据中记录缺失的值进行填补;
其中,xi=(xi-1+xi+1)/2,xi值大于3σ的记录数据为异常噪声,通过 xi=μ·xi修正,μ的取值为0.85。
其中,所述将所述相空间输入卷积神经网络CNN,得到具有高维特征信 息的时间序列的步骤,包括:
将所述相空间输入卷积函数提取出高维特征信息;
通过池化层提取重要特征,并通过Flatten层将输入压平为一维向量,得 到具有高维特征信息的时间序列。
本发明的上述实施例所述的CNN部分以重构的相空间 作为输入,Xi,n是一个二维矩阵,大小为[n-(mi- 1τi,m],其表示还原系统的相空间,其中一行表示一个长度为m的相空间点, 一列表示重构后相空间的时间序列长度,将该二维矩阵输入到CNN部分,经 过卷积函数提取出高维特征信息,然后进过池 化层选取重要特征,再经过Flatten层将输入压平为一维向量,经过以上CNN 部分,输出具有高维特征信息的时间序列。
其中,LSTM采取单层结构,在所述将所述时间序列输入深度学习LSTM 模型,进行特征时间序列预测的步骤中,模型损失函数使用均方误差并引入L2正则化,loss函数L2正则化:
其中,λ是一个超参数。
本发明的上述实施例所述的LSTM部分以CNN的输出时间序列作为输 入,LSTM引入了门控机制,极大地改善了RNN的数据表达能力,通过加入 对神经网络中权重W的L2正则化规则,可以有效避免模型过拟合问题, CNN-LSTM模型的优化器选择,及epoch设置。
本发明的上述实施例所述的方法针对于岩爆状态量演化过程的混沌性,将 状态量进行相空间重构还原原始系统,并通过卷积神经网络对相空间进行时空 特征抽取,将抽取及扁平化后的时序数据作为LSTM模型的输入,以预测t+1 时刻岩爆状态数值。该方法融合了卷积神经网络在空间数据中的抽象能力及长 短时记忆网络LSTM在时间序列预测上的优势,以精确的建立表达岩爆或冲 击地压系统的非线性方程,弥补了现有方法对岩爆未来状态预测的不足,与现 有技术相比,本发明方法预测的准确度较传统的预测方法误差小,在同样的工 作条件下,可以产生更好的结果。
本发明针对上述实施例所述的方法还提供了一个具体实施例,采用2019 年1月冬瓜山铜矿微震监测数据对本发明的具体实施进行说明,本发明方法不 仅限微震数据,更多的可包含声发射、电磁辐射、压力值、位移等时序监测数 据,下面将结合此实例具体说明本发明在t+1时刻的岩爆状态量预测的具体实 施步骤:
1)微震监测数据预处理;
信号去噪,首先对微震监测数据进行预处理,微震监测数据中少量的记录 缺失的值使用前后均值法填补xi=(xi-1+xi+1)/2,值大于3σ的记录数据认为 异常过大,通过xi=μ·xi修正,参数取0.85。取能量指数ln(E),E=Ep+Es,其 中Ep为p波能量,Es为s波能量,其反映了岩爆发生时蕴含的总能量指数也有 学者称为岩爆危险性,取角频率比ω=P/S,其中,P为P波角频率,S为S波角 频率,其反映矿山发生岩爆时的P波及S波的震动频率比,取凹凸体半径从物 理层面反映震源影响半径,同时可视化岩爆震源位置及这些状态量的趋势,结果如图2所示;
2)针对岩爆状态量演化过程的混沌性,基于混沌理论,进行岩爆状态变 量的相空间重构,主要包括以下步骤:
2.1)求状态变量角频率比、能量指数、凹凸体半径等序列嵌入维度,使用 虚假邻近点法FNN计算,结果如图3所示,由图可知,角频率比嵌入维度取 m=4,能量指数嵌入维度取m=3,凹凸体半径嵌入维度取m=3;
2.2)求状态变量角频率比、能量指数、凹凸体半径等序列延迟时间τ,使用 互信息法计算,结果如图3所示,由图可知,角频率比延迟时间取τ=1,能量 指数延迟时间取τ=1,凹凸体半径延迟时间取τ=1,结果如图3所示;
2.3)相空间重构,对于角频率比、能量指数、凹凸体半径等状态变量,计 算得出其重构相空间的嵌入维度和延迟时间两个参数后,利用这两个参数进行 原始监测数据的相空间重构,以还原原始系统;
3)构建CNN-LSTM模型
3.1)构建的CNN-LSTM模型分为两部分,卷积神经网络CNN部分,用于 底层表达及抽取数据更多的重要特征信息,以作为LSTM的输入;长短时记 忆网络LSTM部分,用于接受CNN提取特征的输出,依据其在时序上具有的 记忆性,准确地提取时间序列特征,以进行未来岩爆状态值预测,产生最终预 测结果;
3.2)CNN部分,激活函数ReLU,池化层提取重要特征,再经过Flatten层 将输入压平为一维向量,经过以上CNN部分,输出具有高维特征信息的时间 序列数据;
3.3)LSTM部分以CNN的输出时间序列作为输入,本申请使用的LSTM 采取单层结构,进行特征时间序列预测,神经元数量设为100。模型损失函数 使用均方误差并引入L2正则化,loss函数L2正则化:
通过加入对神经网络中权重W的L2正则化规则,可以有效避免模型过拟合 问题,其中λ是一个超参数,超参数λ=0.01;
4)CNN-LSTM模型训练,首先按4:1将数据集划分为训练集和测试集, 同时利用训练数据对LSTM模型进行学习训练,提取重构相空间数据演化的 时间特征。其中,训练模型时,主要设置参数包括时间步设置为嵌入维度m, 激活函数为ReLU,批处理大小为1,损失函数mse,CNN-LSTM模型的优化 器选择Adam,epoch设置为100,学习率为0.01;
5)获得训练好的LSTM-CNN神经网络,输入测试集到模型中,获取最 终预测结果,预测步长为1,也即是预测t+1时刻值;
6)判断步骤5)的预测结果的准确性,若准确性超过阈值,则执行步骤7), 若为否,则返回步骤4),直至模型收敛;
7)利用训练完成的模型进行t+1时刻岩爆演化状态值的预测,最后输出 t+1时刻岩爆各演化状态值预测结果,模型结果评估函数采用经典地均方误差 和绝对值误差以衡量结果的准确性及预测误差,最后附上CNN-LSTM模型及 其它方法的对比预测结果评估表,如表1所示。从上表可知,在利用不同方法 进行上述岩爆状态预测场景中,本模型预测误差更小,稳定性更好,说明在预 测岩爆演化状态中,使用本模型可获得更好效果,有利于矿山岩爆和冲击地压 灾害的预测预警。
表格1:冬瓜山铜矿岩爆状态量的CNN-LSTM模型和其它方法预测结果 评估表;
本发明的上述实施例所述的方法针对于岩爆状态量演化过程的混沌性,将 状态量进行相空间重构还原原始系统,并通过卷积神经网络对相空间进行时空 特征抽取,将抽取及扁平化后的时序数据作为LSTM模型的输入,以预测t+1 时刻岩爆状态数值。该方法融合了卷积神经网络在空间数据中的抽象能力及长 短时记忆网络LSTM在时间序列预测上的优势,以精确的建立表达岩爆或冲 击地压系统的非线性方程,弥补了现有方法对岩爆未来状态预测的不足,与现 有技术相比,本发明方法预测的准确度较传统的预测方法误差小,在同样的工 作条件下,可以产生更好的结果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技 术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰, 这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于综合CNN-LSTM的岩爆状态预测方法,其特征在于,包括:
根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构,得到相空间;
将所述相空间输入卷积神经网络CNN,得到具有高维特征信息的时间序列;
将所述具有高维特征信息的时间序列输入深度学习LSTM模型,进行特征时间序列预测;
将所述岩爆状态变量时序数据划分为训练集数据和测试集数据,利用所述训练集数据对CNN-LSTM模型进行学习训练,提取所述相空间数据演化的时间特征,获得训练好的CNN-LSTM模型;
将所述测试集数据输入所述CNN-LSTM模型,得到预测结果;
判断所述预测结果的准确性是否超过阈值;
若所述预测结果的准确性超过阈值,则利用所述CNN-LSTM神经网络模型进行t+1时刻岩爆演化状态值的预测。
2.根据权利要求1所述的方法,其特征在于,在所述判断所述预测结果的准确性是否超过阈值的步骤之后,所述方法还包括:
若所述预测结果的准确性未超过阈值,则重复所述将所述岩爆状态变量时序数据划分为训练集数据和测试集数据,利用所述训练集数据对CNN-LSTM模型进行学习训练,提取所述相空间数据演化的时间特征,直至CNN-LSTM模型收敛。
3.根据权利要求1所述的方法,其特征在于,所述根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构,得到相空间的步骤,包括:
使用虚假邻近点法,计算状态变量序列嵌入维度m;
使用互信息法,计算状态变量序列延迟时间τ;
利用所述状态变量序列嵌入维度m和所述状态变量序列延迟时间τ,进行原始监测数据的相空间重构,得到相空间。
4.根据权利要求3所述的方法,其特征在于,所述利用所述状态变量序列嵌入维度m和所述状态变量序列延迟时间τ,进行原始监测数据的相空间重构,得到相空间的步骤,包括:
对于原始监测数据中的监测时序数据第i个特征变量的重构空间状态为
其中,i=1,2...I,I表示特征变量数,N表示时间序列的长度,Xi,n为第i个特征变量相空间上的一点,mi为第i个特征变量嵌入维度,τi为第i个特征变量延迟时间。
5.根据权利要求1所述的方法,其特征在于,在所述根据岩爆状态变量时序数据,进行岩爆状态变量的相空间重构,得到相空间的步骤之前,所述方法还包括:
对原始监测数据进行去噪处理。
6.根据权利要求5所述的方法,其特征在于,所述对原始监测数据进行去噪处理的步骤,包括:
使用前后均值法对原始监测数据中记录缺失的值进行填补;
其中,xi=(xi-1+xi+1)/2,xi值大于3σ的记录数据为异常噪声,通过xi=μ·xi修正,μ的取值为0.85。
7.根据权利要求1所述的方法,其特征在于,所述将所述相空间输入卷积神经网络CNN,得到具有高维特征信息的时间序列的步骤,包括:
将所述相空间输入卷积函数提取出高维特征信息;
通过池化层提取重要特征,并通过Flatten层将输入压平为一维向量,得到具有高维特征信息的时间序列。
8.根据权利要求1所述的方法,其特征在于,LSTM采取单层结构,在所述将所述时间序列输入深度学习LSTM模型,进行特征时间序列预测的步骤中,模型损失函数使用均方误差并引入L2正则化,loss函数L2正则化:
其中,λ是一个超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910712725.6A CN110472729B (zh) | 2019-08-02 | 2019-08-02 | 基于综合cnn-lstm的岩爆状态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910712725.6A CN110472729B (zh) | 2019-08-02 | 2019-08-02 | 基于综合cnn-lstm的岩爆状态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110472729A true CN110472729A (zh) | 2019-11-19 |
CN110472729B CN110472729B (zh) | 2020-05-26 |
Family
ID=68509716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910712725.6A Active CN110472729B (zh) | 2019-08-02 | 2019-08-02 | 基于综合cnn-lstm的岩爆状态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472729B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160490A (zh) * | 2020-02-24 | 2020-05-15 | 桂林理工大学 | 一种基于多时间序列的深度学习危岩变形预测方法及装置 |
CN111291673A (zh) * | 2020-02-04 | 2020-06-16 | 贵州省人民医院 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
CN112767190A (zh) * | 2020-12-30 | 2021-05-07 | 广东电网有限责任公司计量中心 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
CN112906989A (zh) * | 2021-03-31 | 2021-06-04 | 国家海洋信息中心 | 一种基于cnn-lstm的区域海表面温度预测方法 |
CN113139681A (zh) * | 2021-04-13 | 2021-07-20 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种基于时间序列数据的神经网络冲击地压预测方法 |
CN113191545A (zh) * | 2021-04-29 | 2021-07-30 | 安徽理工大学 | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 |
CN113268871A (zh) * | 2021-05-21 | 2021-08-17 | 燕山大学 | 基于多变量时序深度网络模型的水泥烟囱nox预测方法 |
CN115599779A (zh) * | 2022-11-28 | 2023-01-13 | 中南大学(Cn) | 一种城市道路交通缺失数据插值方法及相关设备 |
CN116662766A (zh) * | 2023-08-01 | 2023-08-29 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
CN116738817A (zh) * | 2023-04-24 | 2023-09-12 | 中煤科工集团重庆研究院有限公司 | 一种煤矿多灾种融合自然裂变预警方法及系统 |
CN117307249A (zh) * | 2023-08-30 | 2023-12-29 | 中铁四局集团有限公司 | 一种隧道岩爆实时智能预警方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
US20170255832A1 (en) * | 2016-03-02 | 2017-09-07 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Detecting Actions in Videos |
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
-
2019
- 2019-08-02 CN CN201910712725.6A patent/CN110472729B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732070A (zh) * | 2015-02-27 | 2015-06-24 | 广西大学 | 一种基于信息向量机的岩爆等级预测方法 |
US20170255832A1 (en) * | 2016-03-02 | 2017-09-07 | Mitsubishi Electric Research Laboratories, Inc. | Method and System for Detecting Actions in Videos |
CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
Non-Patent Citations (1)
Title |
---|
孙海涛 等: "基于非线性混沌理论的岩爆预测方法分析", 《矿治》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291673A (zh) * | 2020-02-04 | 2020-06-16 | 贵州省人民医院 | 一种预测时序信号分类的方法、装置、服务器及存储介质 |
CN111160490A (zh) * | 2020-02-24 | 2020-05-15 | 桂林理工大学 | 一种基于多时间序列的深度学习危岩变形预测方法及装置 |
CN112767190B (zh) * | 2020-12-30 | 2023-03-14 | 广东电网有限责任公司计量中心 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
CN112767190A (zh) * | 2020-12-30 | 2021-05-07 | 广东电网有限责任公司计量中心 | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 |
CN112906989A (zh) * | 2021-03-31 | 2021-06-04 | 国家海洋信息中心 | 一种基于cnn-lstm的区域海表面温度预测方法 |
CN113139681A (zh) * | 2021-04-13 | 2021-07-20 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种基于时间序列数据的神经网络冲击地压预测方法 |
CN113139681B (zh) * | 2021-04-13 | 2023-10-17 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种基于时间序列数据的神经网络冲击地压预测方法 |
CN113191545A (zh) * | 2021-04-29 | 2021-07-30 | 安徽理工大学 | 基于一维卷积神经网络的冲击地压发生情况可视化与分级预警方法 |
CN113268871A (zh) * | 2021-05-21 | 2021-08-17 | 燕山大学 | 基于多变量时序深度网络模型的水泥烟囱nox预测方法 |
CN115599779A (zh) * | 2022-11-28 | 2023-01-13 | 中南大学(Cn) | 一种城市道路交通缺失数据插值方法及相关设备 |
CN116738817A (zh) * | 2023-04-24 | 2023-09-12 | 中煤科工集团重庆研究院有限公司 | 一种煤矿多灾种融合自然裂变预警方法及系统 |
CN116662766A (zh) * | 2023-08-01 | 2023-08-29 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
CN116662766B (zh) * | 2023-08-01 | 2023-10-03 | 浙江大学 | 基于数据二维重构的风速预测方法及装置、电子设备 |
CN117307249A (zh) * | 2023-08-30 | 2023-12-29 | 中铁四局集团有限公司 | 一种隧道岩爆实时智能预警方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110472729B (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472729A (zh) | 基于综合cnn-lstm的岩爆状态预测方法 | |
Mohamad et al. | An optimized ANN model based on genetic algorithm for predicting ripping production | |
Shahin | Artificial intelligence in geotechnical engineering: applications, modeling aspects, and future directions | |
Esmaeili et al. | Multiple regression, ANN and ANFIS models for prediction of backbreak in the open pit blasting | |
Fattahi | Applying soft computing methods to predict the uniaxial compressive strength of rocks from schmidt hammer rebound values | |
Monjezi et al. | Prediction of blast-induced ground vibration using artificial neural networks | |
Di et al. | Rock burst precursor electromagnetic radiation signal recognition method and early warning application based on recurrent neural networks | |
CN105931046A (zh) | 一种可疑交易节点集合侦测方法及装置 | |
Zhou et al. | Seismic fragility analysis of high concrete faced rockfill dams based on plastic failure with support vector machine | |
CN115374903A (zh) | 一种基于高速公路传感网布设的长期路面监测数据增强方法 | |
Li et al. | A variable weight combination model for prediction on landslide displacement using AR model, LSTM model, and SVM model: a case study of the Xinming landslide in China | |
CN111105097A (zh) | 一种基于卷积神经网络的大坝变形预测系统和方法 | |
Guo et al. | Wavelet prediction method for ground deformation induced by tunneling | |
Khandelwal et al. | Application of an expert system to predict maximum explosive charge used per delay in surface mining | |
CN106973039A (zh) | 一种基于信息融合技术的网络安全态势感知模型训练方法和装置 | |
CN116665130A (zh) | 基于时空图的大坝安全监测多元时间序列异常检测方法 | |
Di et al. | Comprehensive early warning method of microseismic, acoustic emission, and electromagnetic radiation signals of rock burst based on deep learning | |
Li et al. | Soil seismic response modeling of KiK-net downhole array sites with CNN and LSTM networks | |
Li et al. | Prediction method of pipe joint opening-closing deformation of immersed tunnel based on singular spectrum analysis and SSA-SVR | |
Dai et al. | Dynamic prediction for attitude and position of shield machine in tunneling: A hybrid deep learning method considering dual attention | |
Si et al. | A Novel coal-gangue recognition method for top coal caving face based on IALO-VMD and improved MobileNetV2 network | |
Qiu et al. | Analysis and prediction of rockburst intensity using improved DS evidence theory based on multiple machine learning algorithms | |
CN105260793B (zh) | 一种巷道围岩变形实时预测方法 | |
CN102183751B (zh) | 一种智能雷达海上目标检测系统及方法 | |
Yang et al. | A multi-sensor mapping Bi-LSTM model of bridge monitoring data based on spatial-temporal attention mechanism |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |