典型文献
基于EEMD-SE-LSTM的混凝土坝变形监测模型
文献摘要：
为提高混凝土坝变形监测数据的预测精度,构建了一种基于集成经验模态分解(EEMD)与样本熵重构(SE)的长短期记忆网络(LSTM)预测模型.模型利用EEMD对原始数据序列进行分解,并计算每个分量序列的样本熵,以原始序列样本熵作为基准进行重构,再对重构后的各序列建立LSTM模型进行预测,最后把各预测值叠加以得到最终预测结果.以某混凝土拱坝为例,将该模型预测结果与EMD-LSTM、LSTM和SVM模型的预测结果进行对比,结果表明EEMD-SE-LSTM模型具有更高的预测精度,在混凝土坝的变形预测中具备更好的可行性与优越性.
文献关键词：
集成经验模态分解;长短期记忆神经网络;样本熵;变形预测;混凝土坝
中图分类号：
作者姓名：
侯回位;郑东健;刘永涛;黄寒冰
作者机构：
河海大学水利水电学院,江苏 南京 210098
文献出处：
引用格式：
[1]侯回位;郑东健;刘永涛;黄寒冰-.基于EEMD-SE-LSTM的混凝土坝变形监测模型)[J].水利水电科技进展,2022(01):61-66
A类：
B类：
EEMD,SE,混凝土坝变形,监测模型,高混凝土坝,变形监测数据,集成经验模态分解,样本熵,长短期记忆网络,原始数据,数据序列,混凝土拱坝,变形预测,长短期记忆神经网络
AB值：
0.190938
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
