CN115048866B 一种滑坡地表变形影响因素权重的计算方法 （长安大学）

一种滑坡地表变形影响因素权重的计算方法本发明提供了一种滑坡地表变形影响因素了由滑坡影响因素对位移的贡献相同进行滑坡同外部因素的权重并判断不同的外部因素对于滑坡位移的影响，从而实现滑坡位移的有效预重大小判断出各种因素对滑坡位移预测的影响2所述第一LSTM模型具有S个LSTM单元，相邻两个LSTM单元之间连接一个因子注意力模块，最后一个LSTM单元的输出即为第一LSTM模型的输出，第一LSTM模型的输出作为第二所述因子注意力模块包括三个全连接层和两个激活函数，即第一全注意力模块的计算方式是：上一时刻(s-1)LSTM单元输出的隐藏层状态hs-1和细胞状态cs-1S3、利用训练集中的数据对步骤S2中基于注意力的LS4、将待计算滑坡区域的影响滑坡变形的外部因定时间分割步长分割的若干样本，将若干样本输入到步骤S3获得的滑坡位移预测模型中，则输出滑坡的位移预测结果，同时能够输出该区域的不同外部因素对滑坡变形影响的权函数处理后与时间注意力模块的输入H相乘之后获得第二LSTM模型的新的隐藏状态，用新4.根据权利要求1所述的滑坡地表变形影响因素权重的计算方法，其特征在于，第一3LSTM模型中第s时刻LSTM单元的加权输入数据隐藏状态hs和单元状态c骤S3中滑坡位移预测模型的训练损失函数RMSE的计算其中sn和分别是训练集中的监测值和模型预测值，sl和分别是测试集中的监测值意力模块通过给不同的外部因素分配不同的权重来聚焦于影响滑坡地表变形的关键因素；4外部因素在滑坡变形中的量化和比较研究这一问题，并改善非线性模型的物理可解释性，研究方法很多都缺少外部触发因素在滑坡变形中的量化和比较。为了解决这一技术问题，本发明提供了一种滑坡地表变形影响因素权重5[0011]所述第一LSTM模型具有S个LSTM单元，相邻两个LSTM单元之间连接一个因子注意刻因子注意力模块的因子权重，并与xs相乘之后作为第一LSTM模型中第s时刻LSTM单元的[0016]所述时间注意力模块包括一个全连接层和一个softmax激活函数，第二LSTM模型中包含K个LSTM单元，每个LSTM单元一个softmax激活函数处理后与时间注意力模块的输入H相乘之后获得第二LSTM模型的新[0017]第一LSTM模型中第s时刻LSTM单元的加权输入数据隐藏状态hs和单元状态cs6[0023]其中sn和分别是训练集中的监测值和模型预测值，sl和分别是测试集中的监[0024]因子注意力模块通过给不同的外部因素分配不同的权重来聚焦于影响滑坡地表[0026](1)本发明利用注意力模块和LSTM模型从影响滑坡变形的外部因素中捕获重要的[0027](2)本发明综合考虑影响滑坡变形的不同因素之间的相互联系，计算出各种因素[0028](3)本发明通过计算各种因素在滑坡变形中所占的权重，进一步提高了滑坡预测模型的可解释性，且有益于分析和揭示水库诱发滑坡的变形机理。与传统的支持向量机7[0039]所述第一LSTM模型具有S个LSTM单元，相邻两个LSTM单元之间连接一个因子注意第二LSTM模型的隐藏层连接时间注意力模块，经过时间注意力模块处理后对第二LSTM模态cs-1输入到因子注意力模块中的第二全连接层，第s时刻的M个外部因子数据xs=因子注意力模块的因子权重，并与xs相乘之后作为第一LSTM模型中第s时刻LSTM单元的输[0041]所述时间注意力模块包括一个全连接层和一个softmax激活函数，第二LSTM模型中包含K个LSTM单元，每个LSTM单活函数处理后与时间注意力模块的输入H相乘之后获得第二LSTM模型的新的隐藏状态，用8[0046]长期短期记忆(LSTM)神经网络是循环神经网络(RNN)的一个分支。与人工神经网shohc是前面提到的三个门和存储时注意力机制的引入能够对不同的输入因子(因子注意力)和LSTM模型中的隐藏状态(时间)SX表示一个输[0057]所述因子注意力模块包括三个全连接层和两个激活函数，第一LSTM模型中任意s细胞状态cs-1输入到因子注意力模块中的第二个全连接层，第s时刻的M个外部因子数据Xs=输入到第一个全连接层，最终将第一、第二活函数tanh函数处理后作为第三全连接层的输入，第三全连接层的输出es经第二激活函数softmax函数处理后为第s时刻因子的权重αs，并与xs相乘之后作为第一LSTM模型中第s时刻LSTM单元的输入；9[0062]第一LSTM模型中第s时刻LSTM单元的加权输入数据隐藏状态hs和单元状态cs的[0067]时间注意力模块包括一个全连接层和一个softmax激活函数，第二LSTM模型中包[0072]作为本发明提供的一种滑坡地表变形影响因素权重的计[0074]其中sn和分别是训练集中的监测值和模型预测值，sl和分别是测试集中的监[0075]作为本发明提供的一种滑坡地表变形影响因素权重的计因子注意力模块通过给不同的外部因素分配不同的权重来聚焦于影响滑坡地表变形的关变形最大，两点(WS01和WS02)的平均位移为251.5mm。WS03与WS04在滑坡中部累积位移相[0083]图4显示了从泡桐湾滑坡的不同时间步中提取的因素注意力权重分布。对于泡桐因子注意力