公开(公告)号：CN110472729B

公开(公告)日：2020-05-26

申请号：CN201910712725.6

申请日：2019-08-02

Applicant: 中南大学

Inventor： 徐方远 ,  刘宝举 ,  刘慧敏 ,  邓敏

IPC: G06N3/04 ,  G06N3/08

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。

公开(公告)号：CN110472729A

公开(公告)日：2019-11-19

申请号：CN201910712725.6

申请日：2019-08-02

Applicant: 中南大学

Inventor： 徐方远 ,  刘宝举 ,  刘慧敏 ,  邓敏

IPC: G06N3/04 ,  G06N3/08

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。