典型文献
基于布谷鸟搜索算法优化LSTM的大坝变形预测
文献摘要：
对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(S TL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.
文献关键词：
大坝变形预测;长短期记忆神经网络;布谷鸟搜索;基于局部加权回归的周期趋势分解;机器学习
中图分类号：
作者姓名：
康俊锋;胡祚晨;陈优良
作者机构：
江西理工大学土木与测绘工程学院,江西 赣州341000
文献出处：
引用格式：
[1]康俊锋;胡祚晨;陈优良-.基于布谷鸟搜索算法优化LSTM的大坝变形预测)[J].排灌机械工程学报,2022(09):902-907
A类：
B类：
布谷鸟搜索算法,算法优化,大坝变形预测,准确预测,大坝安全,变形监测数据,趋势性,随机性,机器学习模型,线性特征,用布,CS,长短期记忆人工神经网络,物联网传感器,分解方法,数据分解,分解成,余项,周期估计,估计方法,水库,预测研究,STL,沉降变形预测,水平位移,位移预测,支持向量回归模型,SVR,人工神经网络模型,ANN,沉降预测,长短期记忆神经网络,基于局部加权回归的周期趋势分解
AB值：
0.260825
相似文献
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。
