CN119493966A 一种基于深度学习的路基沉降预测方法、电子设备及介质 （中南大学）_第1页
CN119493966A 一种基于深度学习的路基沉降预测方法、电子设备及介质 （中南大学）_第2页
CN119493966A 一种基于深度学习的路基沉降预测方法、电子设备及介质 （中南大学）_第3页
CN119493966A 一种基于深度学习的路基沉降预测方法、电子设备及介质 （中南大学）_第4页
CN119493966A 一种基于深度学习的路基沉降预测方法、电子设备及介质 （中南大学）_第5页
已阅读5页，还剩23页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

捕捉时空特征，提高了模型的预测精度与稳定的路基沉降数据集上均能表现出良好的泛化能2步骤S3、构造路基沉降预测模型，所述路基沉降步骤S4、采用遗传算法对路基沉降预测模型进行训练步骤S5、基于路基沉降预测模型的最优超参数，骤S3中的路基沉降预测模型进行路基沉降预测5.根据权利要求4所述的一种基于深度学习的路基沉降预测方法，其特征在于，步骤;3;6.根据权利要求5所述的一种基于深度学习的路基沉降预测方法，其特征在于，步骤;其中，H和w分别为输入特征图的高度和宽度，j为特征图的通道索引，h和w为特征;通道j的注意力权重；;7.根据权利要求4所述的一种基于深度学习的路基沉降预测方法，其特征在于，步骤45[0002]路基作为重要的交通基础设施，在长期运行过程中受到多种复杂环境因素的影[0005]本发明目的在于提供一种基于深度学习的路基沉降预测6L个时刻的沉降监测数据；标签数据为L+K个时的预测时间跨度。;;;7步骤S3.2.2、通过全连接层处理特征向量，生成通道注意力权重，通过;;[0016]（2）本发明引入了通道注意力增强机制（CAEM，Channel_wiseAttention8相关的重要特征，从而有效提升特征提取的精确性；与仅依赖卷积神经网络的模型相比，CAEM模块的引入显著增强了模型对数据中细微变化的敏感性和对全局特如类别型变量（如土壤类型可以使用独热编码或标签编码将其转换为数值形式，例如，9可使用标准差法检测出偏离均值过多的数据点（例如超出3倍标准差的值并通过替换法;;得包含关键信息的特征图F'，;;步骤S3.2.2、通过全连接层处理特征向量，生成通道注意力权重，通过;;[0029]步骤S3.3、将加权处理后的特征向量输入双;到下一代群体的概率p(m)为：;;ca为生成的子代个体。[0048]在一些实现中，存储器可以是高速随机存取存储器(RAM：RandomAccess[0051]计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设计语言Java和直译式脚本语言JavaScr

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论