CN117933082A - 一种基于特征分解和深度学习的大坝变形预测方法及系统 - Google Patents
一种基于特征分解和深度学习的大坝变形预测方法及系统 Download PDFInfo
- Publication number
- CN117933082A CN117933082A CN202410118481.XA CN202410118481A CN117933082A CN 117933082 A CN117933082 A CN 117933082A CN 202410118481 A CN202410118481 A CN 202410118481A CN 117933082 A CN117933082 A CN 117933082A
- Authority
- CN
- China
- Prior art keywords
- target domain
- feature
- prediction
- dam
- prediction model
- 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 51
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008014 freezing Effects 0.000 claims abstract description 13
- 238000007710 freezing Methods 0.000 claims abstract description 13
- 230000000875 corresponding effect Effects 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000013526 transfer learning Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 10
- 238000006073 displacement reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于特征分解和深度学习的大坝变形预测方法，涉及大坝变形预测技术领域，包括：将源域和目标域的大坝变形序列均分解为子序列；分别对子序列进行评估，并提取子序列的特征分量，得到源域和目标域特征分量；利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；并利用目标域特征分量预测模型得到实时变形预测结果。通过借鉴其他类似大坝的变形数据，对观测不足的混凝土大坝进行预测。有效地探索特征成分的潜在规律，在观测不足的情况下提高预测精度和泛化能力，从而做出准确的大坝变形预测。
Description
技术领域
本发明涉及大坝变形预测技术领域，更具体的说是涉及一种基于特征分解和深度学习的大坝变形预测方法及系统。
背景技术
变形是混凝土坝安全状态的直接指标，它反映了材料和结构在多因素共同作用下的非线性动力演化。基于监测位移的解释和预测是监测和识别混凝土坝安全状态的重要手段。因此，连续、充分的变形监测数据对于可靠的大坝变形预测模型至关重要。许多老大坝普遍监测系统不完善或不合理，导致观测不足。即使是监测设计完善的新建大坝，由于仪器故障或主动干扰，数据连续性和可靠性也较差，而且新建大坝运行初期的所有测点都缺乏数据样本。现有技术中获取监测数据的方法，如传统的插值方法和深度学习方法都侧重于插值监测值，依赖于同一大坝临近测点数据。然而，这些研究关注的是充足的数据和从头开始训练的机器学习，并没有完全考虑观察不足的问题。
因此，如何提出一种基于特征分解和深度学习的大坝变形预测方法及系统，通过借鉴其他类似大坝的变形数据，对观测不足的混凝土大坝进行预测，通过迁移学习来预学习获得一般变形知识，填补不足的数据空白，从而做出准确的大坝变形预测是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于特征分解和深度学习的大坝变形预测方法及系统，通过借鉴其他类似大坝的变形数据，对观测不足的混凝土大坝进行预测。针对不同的大坝是不同的领域，由一个大坝直接训练的模型不适合其他大坝的问题，采用迁移学习的方法，迁移学习有两个基本概念：源领域和目标领域，利用数据、任务或模型之间的相似性，将源领域的知识应用到目标领域。通过预学习获得一般变形知识，填补不足的数据空白，从而做出准确的大坝变形预测，为了实现上述目的，本发明采用如下技术方案：
一种基于特征分解和深度学习的大坝变形预测方法，包括：
将源域和目标域的大坝变形序列均分解为子序列；
分别对所述子序列进行评估，并根据评估结果提取子序列的特征分量，得到源域和目标域特征分量；
匹配源域和目标域特征分量的相似度，利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；
冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；
将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果。
可选的，所述将源域和目标域的大坝变形序列均分解为子序列包括：通过变分模态分解将源域和目标域的大坝变形序列均分解为子序列，源域的大坝变形序列为已知的同类型大坝变形序列数据，目标域的大坝变形序列为待测大坝的变形序列数据。
可选的，所述通过变分模态分解将源域和目标域的大坝变形序列分解为子序列包括：
构建源域和目标域的大坝变形序列分解的变量划分模型；
引入拉格朗日乘子和惩罚参数，将所述变量划分模型转化为无约束变量划分模型；
根据精度收敛判据对所述无约束变量划分模型进行约束迭代；
当满足精度收敛判据时，迭代停止，将源域和目标域的大坝变形序列分解为有限带宽的K个模态分量。
可选的，分别对所述子序列进行评估包括：通过色散熵评估子序列的随机性，通过最大信息系数评估子序列的相关性。
可选的，还包括：计算各子序列的散布熵DE值进行随机性评估，散布熵DE值与信号的趋势性、周期性、有序性成负相关；计算各子序列与变形序列的最大互信息系数MIC值进行有效子序列筛选；最大互信息系数MIC值与子序列包含变形序列的可用信息数量、子序列和变形序列的依赖程度成正相关。
可选的，所述匹配源域和目标域特征分量的相似度包括：利用动态时间翘曲法匹配源域和目标域特征分量的相似度，所述特征分量包括目标域趋势、周期和随机特征分量数据，选择与各目标域特征分量相似度最高的源域特征分量作为对应的匹配项；分别利用与各目标域特征分量相匹配的源域特征分量进行预测模型训练。
可选的，所述利用与目标域特征分量相匹配的源域特征分量进行预测模型训练包括：
构建基于迁移学习的CNN-LSTM模型，模型依次由输入层、卷积层、池化层、两个LSTM层、全连接层和输出层组成；
将与目标域各特征分量对应的源域特征分量输入基于迁移学习的CNN-LSTM模型中，采用Adam梯度下降算法，初始学习率为0.001，学习率降低因子为0.25，进行预训练，得到适合源域的预测模型。
可选的，所述冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型包括：冻结预测模型中的卷积层、池化层和两个LSTM层，使其参数保持不变；将对应点的目标域特征分量输入冻结后的预测模型中进行再训练微调参数，得到适合待测点各特征分量的目标域特征分量预测模型。
可选的，所述将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果包括：利用微调后的目标域特征分量预测模型分别对待测点各特征分量进行预测，得到待测点各特征分量预测结果；将待测点各特征分量预测结果进行叠加处理，得到待测点变形预测结果。
可选的，一种基于特征分解和深度学习的大坝变形预测系统，包括：
采集模块：用于采集源域和目标域的大坝变形序列；
分解模块：用于将采集的源域和目标域的大坝变形序列分解为子序列；
评估模块：用于分别对所述子序列进行评估，并根据评估结果提取子序列的特征分量，得到源域和目标域特征分量；
相似度匹配模块：用于匹配源域和目标域特征分量的相似度；
训练模块：用于利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；
再训练模块：用于冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；
预测模块：用于将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于特征分解和深度学习的大坝变形预测方法及系统，具有如下有益效果：
本发明提供了一种基于特征分解和深度学习的大坝变形预测方法，包括：将源域和目标域的大坝变形序列均分解为子序列；分别对所述子序列进行评估，并根据评估结果提取子序列的特征分量，得到源域和目标域特征分量；匹配源域和目标域特征分量的相似度，利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果。采用基于特征分解的深度迁移学习框架分析方法，能够通过借鉴其他类似大坝的变形数据，对观测不足的混凝土大坝进行预测。可以有效地探索特征成分的潜在规律，在观测不足的情况下提高预测精度和泛化能力，利用数据、任务或模型之间的相似性，将源领域的知识应用到目标领域。通过预学习获得一般变形知识，填补不足的数据空白，从而做出准确的大坝变形预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种基于特征分解和深度学习的大坝变形预测方法流程示意图。
图2(a)为本发明提供的A坝的垂线监测设备分布图。
图2(b)为本发明提供的B坝的垂线监测设备分布图。
图3为本发明提供的各特征分量的匹配结果图。
图4为本发明提供的预测结果对比图。
图5为本发明提供的一种基于特征分解和深度学习的大坝变形预测系统结构框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于特征分解和深度学习的大坝变形预测方法，包括：
将源域和目标域的大坝变形序列均分解为子序列；
分别对所述子序列进行评估，并根据评估结果提取子序列的特征分量，得到源域和目标域特征分量；
匹配源域和目标域特征分量的相似度，利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；
冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；
将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果。
在具体实施方式中，一种基于特征分解和深度学习的大坝变形预测方法，如图1所示，包括：
步骤(1)：利用变分模态分解将源域和目标域的大坝变形序列分解为子序列；
步骤(2)：通过色散熵和最大信息系数评估子序列的随机性和相关性，分别从源域、目标域分解子序列中提取并保存出相应的变形趋势、周期和随机特征分量；
步骤(3)：结合大坝变形测点分布相似规律，利用动态时间翘曲法匹配源域和目标域的相似度，匹配出与目标域特征分量最相似的源域特征分量：利用动态时间翘曲法度量目标域和源域之间周期或随机成分的相似性，根据测量点的分布匹配相似的趋势成分；
步骤(4)：分别利用与目标域特征分量相匹配的源域趋势、周期和随机特征分量数据进行TL-CNN-LSTM模型预训练；
步骤(5)：冻结预训练后的TL-CNN-LSTM模型浅层网络，分别输入对应的目标域趋势、周期和随机特征分量数据对冻结后的模型进行再训练微调参数，得到目标域各特征分量预测模型；
步骤(6)：通过微调后的目标域各特征分量预测模型进行预测，得到目标域各特征分量的预测结果，将预测结果进行叠加处理，得到待测点的位移预测值，即得到目标域变形预测结果。
在具体实施例中，步骤(1)中所述通过变分模态分解将源域和目标域的大坝变形序列分解为子序列包括：
S1：变分模态分解通过变量划分的思想将X(t)分解为有限带宽的K个模态分量，利用公式(1)：
其中，K为需要分解的子序列数量，uk为分解后第k个子序列，ωk为分解后第k个子序列的中心频率，X(t)为原始位移序列即大坝变形序列，t为时间，表示对时间变量t的导数操作、σt为狄拉克函数、j为虚数单位的参数含义。
S2：为了得到约束变分问题的最优解，引入拉格朗日乘子λ和惩罚参数α，利用公式(2)将上述问题转化为无约束变分问题：
S3：公式(2)的最优解是通过迭代得到的，表示为公式(3)：
其中ω为频率、和/>分别是对应于/>X(ω)和λn(ω)的傅里叶变换，τ是上升步骤。
S4：当迭代过程满足公式(4)时，迭代停止：
其中，ε为精度收敛判据。从公式(2)到公式(4)，原始位移序列X(t)被分解成K个分量u(t)，该过程允许每个分量具有不同的尺度特征，并反映关键的细节信息。
在具体实施例中，步骤(2)中，所述通过色散熵和最大信息系数评估子序列的随机性和相关性，分别从源域、目标域分解子序列中提取并保存出相应的变形趋势、周期和随机特征分量，具体包括：
S11：计算各变形子序列的散布熵DE值进行随机性评估，对于长度为n的变形子序列DE算法如下：
首先根据公式(5)使用正态累积分布函数将uk(t)映射到yk(t)：
其中，σ、u分别为标准差和期望。
通过线性变换公式(6)将yk(t)映射到[1，2，...，c]的范围内：
式中，表示分类时间序列的第t个成员，c为映射的类别数目，round(·)为四舍五入取整函数。
计算嵌入向量如公式(7)：
式中，l＝1,2,…,n-(m-1)d，m和d分别为嵌入维数和时间延迟。
计算散布模式若/>则所对应的散布模式为/>由此计算出对应的散布模式的数目为cm。
根据公式(8)计算每种散布模式的概率
其中，Number(·)为映射到/>的个数，/>表示分配给/>的散布模式的数目/>除以嵌入维数为m的嵌入信号的总数。
最后根据公式(9)计算嵌入维数为m、时间延迟d和类数c的DE值：
其中，散布熵DE值越大，信号不规则程度越高、随机性越大，信号越复杂。因此大坝变形子序列的趋势性、周期性越强，信号越有序，其散布熵值则越小。
S12：计算各变形子序列与原始变形序列的最大互信息系数MIC值进行有效子序列筛选，子序列uk(t)与原始变形序列X(t)的互信息定义如式(10)：
式中，puX[uk(t),X(t)]为变量uk(t)、X(t)的联合概率密度函数；pu[uk(t)]、pX[X(t)]分别表示变量uk(t)、X(t)的边缘概率密度函数；{u}＝{uk(t)∣1≤k≤K,t＝1,2,…,n}，{X}＝{X(t)∣t＝1,2,…,n}，n是样本容量。
设一个有限二元集合S＝{u,X}，将变量{u}、{X}的值域分别划分为n段，得到n×n的网格G。网格G有多种划分方式，计算每一种网格划分方式的互信息MI[u:X]，取不同划分方式中的MI[u:X]最大值作为G的互信息值，记为公式(11)：
I[u:X]＝max(MI[u:X]) (11)
将求得的最大互信息值归一化，并求得最大信息系数如式(12)：
式中，B是网格n×n划分的上限，通常取B＝n0.6。MIC的取值范围是[0,1]，MIC越大，说明子序列{u}与原始变形序列{X}的相关性越强。
计算变形子序列与原始变形序列之间的最大互信息系数及其平均值如公式(13)所示：
式中，MICm为最大互信息系数均值。若MICk﹥MICm，则认为该变形子序列与原始变形序列相关性较强。变形子序列与原始变形序列的MIC值越小者，表明其与原始变形序列的依赖程度越低，包含原始变形序列的可用信息越少。
在具体实施例中，步骤(3)中，所述结合大坝变形测点分布相似规律，利用动态时间翘曲法匹配源域和目标域的相似度，匹配出与目标域特征分量最相似的源域特征分量，具体包括：
S21：利用动态时间翘曲法对源域和目标域特征分量进行相似度度量，选择与目标域特征分量相似度最高的源域特征分量作为对应的匹配项；
源域和目标域特征分量分别为X′＝{x′1,x′2,…,x′n}和Y′＝{y′1,y′2,…,y′m}，动态时间翘曲法算法通过构造一个时间规正矩阵Dn×m，其元素为等式中定义的两个序列的点之间的欧氏距离，如公式(14)所示；
D(i,j)＝d(x′i,y′j)＝(x′i-y′j)2 (14)
S22：动态规划算法简化为在该网格中找到一条经过若干个网格点的路径，路径经过的网格点wk是两个序列对齐进行计算的点。定义此路径为弯曲路径，记为W，如公式(15)所示：
W＝{w1,w2,…,wk,wK|wk＝(i,j)k,max(n,m)≤K＜m+n-1} (15)
S23：满足约束条件且正则化代价最小的路径效果最优。累积距离由公式(16)至公式(17)沿最优路径累加得到：
L(i,j)＝d(x′i,y′j)+min[L(i-1,j-1),L(i-1,j),L(i,j-1)] (17)
其中：D(X',Y')为代价最小的累计距离，d(wk)为x′i到y′j之间的距离。满足公式(17)的弯曲路径为最优弯曲路径。L(i,j)为累积距离，d(x′i,y′j)为当前网格点距离。累积距离越小，两序列的相似度越高。
在具体实施例中，步骤(4)中，所述分别利用与目标域特征分量相匹配的源域趋势、周期和随机特征分量数据进行TL-CNN-LSTM模型预训练具体包括：
S31：构建TL-CNN-LSTM模型，模型依次由输入层、卷积层、池化层、两个LSTM层、全连接层和输出层组成。其中卷积层中设置卷积核大小为10，卷积核的数量是32个；池化层设置采用“平均池化”操作；两个LSTM层分别设置有128和32个隐藏单元。
S32：将与目标域测点各特征分量对应的源域特征分量输入构建好的TL-CNN-LSTM模型进行预训练，得到适合源域的预训练TL-CNN-LSTM模型。该过程采用了Adam梯度下降算法，初始学习率为0.001，学习率降低因子为0.25。
在具体实施例中，步骤(5)中，所述冻结预训练后的TL-CNN-LSTM模型浅层网络，分别输入对应的目标域趋势、周期和随机特征分量数据对冻结后的模型进行再训练微调参数，得到目标域各特征分量预测模型具体包括：
S41：冻结预训练TL-CNN-LSTM模型中的卷积层、池化层和两个LSTM层，使其参数保持不变。
S42：将对应点的目标域特征分量输入冻结后的预训练TL-CNN-LSTM模型中进行再训练微调参数，得到适合目标域测点各特征分量的TL-CNN-LSTM模型。
在具体实施例中，步骤(6)中，所述通过微调后的目标域各特征分量预测模型进行预测，得到目标域各特征分量的预测结果，将预测结果进行叠加处理，得到目标域变形预测结果具体包括：
S51：利用微调后的TL-CNN-LSTM模型分别对待测点各特征分量进行预测，得到待测点各特征分量预测结果。
S52：将目标测点各变形特征分量预测结果进行叠加处理，得到待测点变形预测结果。
在具体实施方式中，一种基于特征分解和深度学习的大坝变形预测系统，如图5所示，包括：
采集模块：用于采集源域和目标域的大坝变形序列；
分解模块：用于将采集的源域和目标域的大坝变形序列分解为子序列；
评估模块：用于分别对所述子序列进行评估，并根据评估结果提取子序列的特征分量，得到源域和目标域特征分量；
相似度匹配模块：用于匹配源域和目标域特征分量的相似度；
训练模块：用于利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；
再训练模块：用于冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；
预测模块：用于将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果。
在具体实施例中，一种基于特征分解和深度学习的大坝变形预测方法，如表1所示，为坝体A、B剖面对照表：在进行迁移学习预测之前，需要选择合适的源域数据以提高迁移学习的有效性。如果选择的源域与目标域相似度较低，则可能导致负迁移。因此，源域的选择需要遵循大坝类型和使用环境的相似原则。假设A坝为观测不足的目标域。选取小样本监测数据作为大坝A的训练集，数据充足的大坝B作为源域。
表1
以A坝为观测不足的目标域，数据充足的大坝B作为源域。利用上述预测方法得到，图2(a)，图2(b)为A、B坝的垂线监测设备分布图；图3为各特征分量的匹配结果；图4为FD-DTL(本发明)、DL(直接利用目标领域数据的CNN-LSTM预测结果)、TL(利用未分解的原始位移序列进行TL-CNN-LSTM预测的结果)预测结果对比。结果表明在没有足够数据的情况下，DL不能获得准确的结果。FD-DTL和TL均能预测测点未来的位移趋势，但FD-DTL的预测结果更接近实测值。DL和TL的误差主要出现在变形序列的波峰或波谷处。主要原因是DL无法从目标领域的短期序列中学习到未发生情况的知识。此外，TL对复杂序列的知识提取能力不足，导致未分解的预测偏差较大。FD-DTL通过分解和迁移学习解决了DL和TL的不足，能够从源域的简单成分中学习到更深层次、更完整的知识，整体上表现出较低的误差。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，包括：
将源域和目标域的大坝变形序列均分解为子序列；
分别对所述子序列进行评估，并根据评估结果提取子序列的特征分量，得到源域和目标域特征分量；
匹配源域和目标域特征分量的相似度，利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；
冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；
将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果。
2.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述将源域和目标域的大坝变形序列均分解为子序列包括：通过变分模态分解将源域和目标域的大坝变形序列均分解为子序列，源域的大坝变形序列为已知的同类型大坝变形序列数据，目标域的大坝变形序列为待测大坝的变形序列数据。
3.根据权利要求2所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述通过变分模态分解将源域和目标域的大坝变形序列分解为子序列包括：
构建源域和目标域的大坝变形序列分解的变量划分模型；
引入拉格朗日乘子和惩罚参数，将所述变量划分模型转化为无约束变量划分模型；
根据精度收敛判据对所述无约束变量划分模型进行约束迭代；
当满足精度收敛判据时，迭代停止，将源域和目标域的大坝变形序列分解为有限带宽的K个模态分量。
4.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，分别对所述子序列进行评估包括：通过色散熵评估子序列的随机性，通过最大信息系数评估子序列的相关性。
5.根据权利要求4所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，还包括：计算各子序列的散布熵DE值进行随机性评估，散布熵DE值与信号的趋势性、周期性、有序性成负相关；计算各子序列与变形序列的最大互信息系数MIC值进行有效子序列筛选；最大互信息系数MIC值与子序列包含变形序列的可用信息数量、子序列和变形序列的依赖程度成正相关。
6.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述匹配源域和目标域特征分量的相似度包括：利用动态时间翘曲法匹配源域和目标域特征分量的相似度，所述特征分量包括目标域趋势、周期和随机特征分量数据，选择与各目标域特征分量相似度最高的源域特征分量作为对应的匹配项；分别利用与各目标域特征分量相匹配的源域特征分量进行预测模型训练。
7.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述利用与目标域特征分量相匹配的源域特征分量进行预测模型训练包括：
构建基于迁移学习的CNN-LSTM模型，模型依次由输入层、卷积层、池化层、两个LSTM层、全连接层和输出层组成；
将与目标域各特征分量对应的源域特征分量输入基于迁移学习的CNN-LSTM模型中，采用Adam梯度下降算法，初始学习率为0.001，学习率降低因子为0.25，进行预训练，得到适合源域的预测模型。
8.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型包括：冻结预测模型中的卷积层、池化层和两个LSTM层，使其参数保持不变；将对应点的目标域特征分量输入冻结后的预测模型中进行再训练微调参数，得到适合待测点各特征分量的目标域特征分量预测模型。
9.根据权利要求1所述的一种基于特征分解和深度学习的大坝变形预测方法，其特征在于，所述将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果包括：利用微调后的目标域特征分量预测模型分别对待测点各特征分量进行预测，得到待测点各特征分量预测结果；将待测点各特征分量预测结果进行叠加处理，得到待测点变形预测结果。
10.一种基于特征分解和深度学习的大坝变形预测系统，其特征在于，包括：
采集模块：用于采集源域和目标域的大坝变形序列；
分解模块：用于将采集的源域和目标域的大坝变形序列分解为子序列；
评估模块：用于分别对所述子序列进行评估，并根据评估结果提取子序列的特征分量，得到源域和目标域特征分量；
相似度匹配模块：用于匹配源域和目标域特征分量的相似度；
训练模块：用于利用与目标域特征分量相匹配的源域特征分量进行预测模型训练；
再训练模块：用于冻结预测模型的浅层网络，输入目标域特征分量数据对冻结后的预测模型进行再训练微调参数，得到目标域特征分量预测模型；
预测模块：用于将大坝待测点实时数据输入至目标域特征分量预测模型中，得到变形预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410118481.XA CN117933082A (zh) | 2024-01-29 | 2024-01-29 | 一种基于特征分解和深度学习的大坝变形预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410118481.XA CN117933082A (zh) | 2024-01-29 | 2024-01-29 | 一种基于特征分解和深度学习的大坝变形预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117933082A true CN117933082A (zh) | 2024-04-26 |
Family
ID=90750543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410118481.XA Pending CN117933082A (zh) | 2024-01-29 | 2024-01-29 | 一种基于特征分解和深度学习的大坝变形预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117933082A (zh) |
-
2024
- 2024-01-29 CN CN202410118481.XA patent/CN117933082A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| Liu et al. | An enhanced encoder–decoder framework for bearing remaining useful life prediction | |
| JP2001502831A (ja) | 測定可能な時系列の統計的依存性の分類方法 | |
| Kao et al. | Anomaly detection for univariate time series with statistics and deep learning | |
| Drisya et al. | Hydrological drought assessment through streamflow forecasting using wavelet enabled artificial neural networks | |
| CN111931983A (zh) | 一种降水量预测方法及系统 | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
| Hu et al. | A novel hybrid decompose-ensemble strategy with a VMD-BPNN approach for daily streamflow estimating | |
| Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
| CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
| Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
| Yang et al. | Underwater acoustic signal prediction based on correlation variational mode decomposition and error compensation | |
| CN116187563A (zh) | 一种融合改进变分模态分解的海表温度时空智能预测方法 | |
| Jing et al. | Runoff forecasting model based on variational mode decomposition and artificial neural networks | |
| Pandhiani et al. | Time series forecasting by using hybrid models for monthly streamflow data | |
| Damaševičius et al. | Decomposition aided attention-based recurrent neural networks for multistep ahead time-series forecasting of renewable power generation | |
| Guo et al. | Groundwater depth forecasting using configurational entropy spectral analyses with the optimal input | |
| Bahri et al. | Time series forecasting using smoothing ensemble empirical mode decomposition and machine learning techniques | |
| Thanh et al. | Multilevel categorizing leakage current of 15 kV HDPE insulators based bidirectional gated recurrent unit | |
| CN116701875A (zh) | 一种特高压交流输电线路可听噪声概率预测方法及系统 | |
| Cai et al. | Phasednn-a parallel phase shift deep neural network for adaptive wideband learning | |
| CN117933082A (zh) | 一种基于特征分解和深度学习的大坝变形预测方法及系统 | |
| CN115392589A (zh) | 一种海浪波高预报方法及系统 | |
| CN114239418A (zh) | 基于多种算法组合的滑坡位移预测方法 |
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 |