买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：贵州大学

摘要：本发明公开了一种基于多种算法组合的滑坡位移预测方法，包括以下步骤：步骤一：对滑坡累计位移Yt进行数据采集；步骤二：基于DES计算模型，预测累计位移Yt中的趋势位移分量Tt；步骤三：从累计位移Yt中减去DES计算模型预测的趋势位移分量Tt，得到周期位移Pt，用VMD方法将周期位移Pt分解为K个IMF分量和一个噪声分量；步骤四：建立LSTM模型预测各IMF分量和噪声分量，并通过最大信息系数MIC筛选LSTM模型的输入特征；步骤五：将IMF分量和噪声分量的预测结果相加，得到周期位移Pt的预测结果，然后将预测结果与趋势位移分量Tt相加，得到总位移的预测结果。本发明采用双指数平滑法、变分模态分解法和长短期记忆网络法组合对滑坡位移实现精确预测。

主权项：1.一种基于多种算法组合的滑坡位移预测方法，其特征在于，包括以下步骤：步骤一：对滑坡累计位移Yt进行数据采集；步骤二：基于DES计算模型，预测累计位移Yt中的趋势位移分量Tt；步骤三：从累计位移Yt中减去DES计算模型预测的趋势位移分量Tt，得到周期位移Pt，然后用VMD模态分解和信号处理方法将周期位移Pt分解为K个IMF分量和一个噪声分量；步骤四：建立LSTM模型预测各IMF分量和噪声分量，并通过最大信息系数MIC筛选LSTM模型的输入特征；步骤五：将所有IMF分量和噪声分量的预测结果相加，得到周期位移Pt的预测结果，然后将预测结果与趋势位移分量Tt相加，得到总位移的预测结果；所述步骤三中，VMD模态分解和信号处理方法通过公式2-公式6将周期位移Pt分解为K个IMF分量和一个噪声分量； 其中，K是指定模态分解的数量，{uk}＝{u1，u2，…，uK}和{wK}＝{w1，w2，…，wK}是分解后的K模态分量IMF及其相应的中心频率，δt是狄拉克δ函数；为求解公式2，引入拉格朗日乘法算子λ，将约束变分问题转化为无约束变分问题，增广拉格朗日表达式如下： 其中，α为二次惩罚因子，采用交替方向乘子迭代算法，结合ParsevalPlancherel和傅里叶等距离变换，通过交替优化迭代得到uk、wk和λ；表达方式如下： 公式6中，γ为噪声容限，和分别对应于uit，Yt和λt的傅里叶变换；所述步骤四中：通过最大信息系数MIC筛选LSTM模型的输入特征包括：MIC通过相互信息MI和网格划分方法计算两个随机变量之间的关联程度；假设有两个随机变量A＝[ai，i＝1，2，…，n]和B＝[bi，i＝1，2，…，n]，其中样本数为n；则A和B之间的MIC计算如下：1取出A和B的数据形成数据集D＝[ai，bi，i＝1，2，…，n]，并按顺序对数据集D进行排序；2将数据集D映射到二维平面；然后，将A划分为x部分，将B划分为y部分，形成网格G；得到数据集D的分布D|G；3对于相应的MI，即ID|G由式7计算，其中PABa，b是A和B的联合概率分布；PAa和PBb分别是A和B的边际概率分布； 4找出所有分区情况下MIC的最大值maxID|G，让I′D，x，y＝maxID|G，并按如下方式进行标准化： 根据MDxy，随机变量A和B的MIC可获得如下：MICD＝max{MDxy}9；当MICD＝0时，表示变量A和B不相互依赖；相反，当MICD值接近1时，表示这两个变量之间存在很强的线性或非线性相关性；所述步骤四中：所述LSTM模型采用公式10-公式13预测各IMF分量和噪声分量；LSTM模型中分别设置遗忘门、输入门、输出门，如下所示：1遗忘门：遗忘门接收xt和ht-1，并使用sigmoid层输出0-1之间的数字ft，以控制单元状态ct-1中需要丢弃的信息；0表示完全放弃，1表示完全保留；遗忘门采用公式10计算ft：ft＝σwf·[ht-1，xt]+bf10其中，wf，bf是遗忘门中的权重和偏差；xt为当前时间的输入；ht-1为前一时间的隐藏状态；σ是激活函数；2输入门：输入门由两部分组成：isigmoid层it确定需要更新的信息量；iitanh层创建一个新的候选向量以添加到当前细胞状态；公式如下： 其中wi、bi和wc、bc是输入门中sigmoid和tanh层的权重和偏差，其他符号含义与之前相同；在计算ft、it和之后，使用等式12更新当前单元状态ct； 3输出门：首先，运行sigmoid层以确定单元状态下可以输出多少信息；然后，将ct输入tanh层并乘以sigmoid层的输出值ot以获得必要的输出信息ht；输出门的公式如13所示； 其中wo，bo是输出门中sigmoid层的权重和偏差。

全文数据：

权利要求：

百度查询： 贵州大学 基于多种算法组合的滑坡位移预测方法