-
公开(公告)号：CN114218858A
公开(公告)日：2022-03-22
申请号：CN202111519108.8
申请日：2021-12-13
Applicant: 贵州省交通规划勘察设计研究院股份有限公司 , 贵州大学
Abstract: 本发明公开了一种滑坡位移预测方法，包括如下步骤：（1）建立DES模型，采用近几年监测位移数据由DES模型预测滑坡累计位移中的趋势位移；（2）利用滑坡累计位移减趋势位移获得剩余位移，建立VMD模型，由VMD模型将剩余位移分解成周期位移和随机位移；（3）选取候选因子，由MIC从候选因子中筛选出触发因子，由VMD模型将触发因子分解成低频分量和高频分量；（4）建立并训练GRU模型，采用低频分量由GRU模型对周期位于进行预测，采用高频分量由GRU模型对随机位移进行预测；（5）将趋势位移、周期位移预测结果和随机位移预测结果相加，得到第一次滑坡位移预测结果；该方法实现了对滑坡位移的精确预测。
-
Patent Agency Ranking
公开(公告)号：CN114239418B
公开(公告)日：2024-09-24
申请号：CN202111599402.4
申请日：2021-12-24
Applicant: 贵州大学
IPC: G06F18/20 , G06F18/213 , G06F18/211 , G06F18/15 , G06N3/0442 , G06F123/02
Abstract: 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。
-
公开(公告)号：CN114239418A
公开(公告)日：2022-03-25
申请号：CN202111599402.4
申请日：2021-12-24
Applicant: 贵州大学
Abstract: 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。
-
公开(公告)号：CN113268932B
公开(公告)日：2022-07-19
申请号：CN202110662335.X
申请日：2021-06-15
Applicant: 贵州大学
Abstract: 本发明公开了一种基于高斯过程回归与神经网络的滑坡位移预测方法，根据前t‑1个时刻的滑坡监测位移Yi，利用STL分解方法将其划分为周期项位移Pi与组合项位移Ci；利用GPR模型对组合项位移Ci进行预测，然后将训练好的GPR模型预测t时刻的组合项位移均值及标准差σCt；获取周期项位移Pi与影响因子Vi2，将Vi2作为BP神经网络的输入，Pi作为期望输出，对BP神经网络进行训练，预测周期项位移根据组合项位移均值与周期项位移求和即可得出t时刻位移预测值实现t时刻位移的点预测；根据高斯回归理论，利用标准差σCt与位移预测值实现t时刻位移的区间预测显著效果:本发明能够实现滑坡发生位移的精确点预测及区间预测。
-
公开(公告)号：CN113268932A
公开(公告)日：2021-08-17
申请号：CN202110662335.X
申请日：2021-06-15
Applicant: 贵州大学
Abstract: 本发明公开了一种基于高斯过程回归与神经网络的滑坡位移预测方法，根据前t‑1个时刻的滑坡监测位移Yi，利用STL分解方法将其划分为周期项位移Pi与组合项位移Ci；利用GPR模型对组合项位移Ci进行预测，然后将训练好的GPR模型预测t时刻的组合项位移均值及标准差σCt；获取周期项位移Pi与影响因子Vi2，将Vi2作为BP神经网络的输入，Pi作为期望输出，对BP神经网络进行训练，预测周期项位移根据组合项位移均值与周期项位移求和即可得出t时刻位移预测值实现t时刻位移的点预测；根据高斯回归理论，利用标准差σCt与位移预测值实现t时刻位移的区间预测显著效果:本发明能够实现滑坡发生位移的精确点预测及区间预测。
-
公开(公告)号：CN113221471A
公开(公告)日：2021-08-06
申请号：CN202110661096.6
申请日：2021-06-15
Applicant: 贵州大学
Abstract: 本发明公开了一种基于改进可变模糊集与神经网络的岩爆等级判别方法，包括如下步骤：步骤1：选取岩爆强度等级评价指标，并确定岩爆强度等级划分标准；步骤2：根据岩爆强度等级划分标准确定可变模糊集的模型参数；步骤3：根据提出的改进可变模糊集方法计算相对隶属度RMD；步骤4：根据相对隶属度RMD计算初始综合相对隶属度SRMD，根据实际情况采用等权或变权确定评价指标权重；步骤5：利用BP神经网络优化初始综合相对隶属度SRMD；步骤6：根据优化后的初始综合相对隶属度SRMD计算等级特征值H，然后利用等级特征值H判别岩爆强度等级。显著效果:本发明能够准确评价地下工程中的岩爆发生强度的等级。
-
-
-
-
-
Search Results
6
records
(took 0.042 seconds)
