本发明专利技术公开了一种基于深度学习的边坡监测方法及系统，包括S1：获取边坡位移原始数据，并对其进行季节划分与重采样，得到预处理后的边坡位移数据；S2：对所述预处理后的边坡位移数据进行季节性分解，提取季节特征；S3：构建融合季节特征的边坡监测网络，提取边坡特征向量，并将边坡特征向量输入到全连接层中，获取边坡位移数据预测值；S4：设定所述融合季节特征的边坡监测网络的优化目标；S5：获取所述融合季节特征的边坡监测网络的参数，并基于自适应学习率优化算法优化所述融合季节特征的边坡监测网络的参数。本发明专利技术解决了边坡监测由于忽略季节变化影响带来的精度不足的问题。
【技术实现步骤摘要】
本专利技术涉及边坡工程，尤其涉及一种基于深度学习的边坡监测方法及系统。
技术介绍
1、滑坡作为自然灾害，威胁着人民的生命财产安全。在边坡构建完成后，其地质条件仍处于动态变化的状态，需要对边坡进行监控以及时采取补救措施，从而确保边坡的安全性。
2、传统的基于深度学习的边坡监测方法依赖于传感器网络和数据处理技术，尽管在提高精度和自动化程度方面取得了显著进展，但它们仍然未能考虑季节变化对边坡稳定性的影响。
3、季节变化对边坡监测有重要影响，边坡位移数据在不同季节表现出不同的变化特点。雨季土壤吸水量增加，抗剪强度降低，边坡位移呈明显的上升趋势；冬季土壤发生冻融，边坡位移数据随着结冰与解冻，表现出波动的特点；夏季植被较为茂盛，土壤稳定性相对提高，边坡位移数据表现出较为平稳的状态。季节性变化对边坡位移数据的特征具有显著的影响，需要综合考虑以更准确地评估边坡的稳定性。
技术实现思路
1、有鉴于此，本专利技术提供一种基于深度学习的边坡监测方法及系统，目的在于解决传统深度学习方法在边坡监测中，由于忽略季节变化的影响带来的边坡监测精度不足的问题。本专利技术对季节特征进行建模，显式地考虑季节特征对边坡监测的影响，并将其融合到时序边坡位移数据中，提高了边坡监测的准确率。
2、实现上述目的，本专利技术提供的一种基于深度学习的边坡监测方法，包括以下步骤：
3、s1：获取边坡位移原始数据，并对其进行季节划分与重采样，得到预处理后的边坡位移数据；具体包括：
<
p>4、s11：对所述边坡位移原始数据按季节进行划分，得到春夏秋冬四个季节的数据集，其中，所述边坡位移原始数据是以天为单位的；5、s12：对每个季节的所述边坡位移原始数据进行重采样，采样方式为：将每个季节第一条数据对应的日期作为采样起始日，每隔7天取一条数据，直到取满13条数据为止；然后将采样起始日向后推一天，进行下一轮采样；将上述过程重复7次，最终得到7组所述预处理后的边坡位移数据；
6、s2：对所述预处理后的边坡位移数据进行季节性分解，提取季节特征；
7、s3：构建融合季节特征的边坡监测网络，根据所述季节特征与所述预处理后的边坡位移数据，分别提取季节特征向量与时序特征向量，再进行特征融合，得到边坡特征向量；最后将边坡特征向量输入到全连接层中，获取边坡位移数据预测值；
8、s4：设定所述融合季节特征的边坡监测网络的优化目标；
9、s5：获取所述融合季节特征的边坡监测网络的参数，并基于自适应学习率优化算法优化所述融合季节特征的边坡监测网络的参数。
10、对于边坡位移数据而言，位移现象随着时间尺度的增大而变得明显，在过于细微的时间尺度上，如每日、每小时，边坡位移基本不会发生变化。直接在这样细微的时间尺度上使用数据进行模型训练会导致信息的浪费，尤其在提取季节性变化模式时表现得更为明显。本专利技术以周为单位对边坡数据进行重采样，以更合理的时间间隔捕捉边坡位移的演变，提高了数据利用效率。
11、这种采样方式相较于传统的直接采用每日数据的方式，实现了对于同一个时间段内的多次采样，相当于在相同时间范围内，引入了更多的数据点，将原本只能用于一次训练的数据，扩展成了可以用于7次训练的数据，为深度学习模型提供更多学习的机会。
12、此外，这种重采样的方法还考虑了每个季节中的周期性，使得模型更容易学到不同季节下的边坡位移模式，进而提升对季节性变化的感知能力。
13、进一步地，所述步骤s2包括：对预处理后的边坡位移数据通过局部平滑方法计算趋势成分，计算季节性成分和残差成分；将趋势成分，季节性成分和残差成分进行拼接，提取季节特征；
14、进一步地，所述s2步骤中对预处理后边坡位移数据进行季节性分解，提取季节特征，包括：
15、s21：利用局部平滑方法计算所述趋势成分，计算方式为：
16、；
17、其中，为时刻的趋势成分，为目标时刻，i为目标时刻索引，n为数据点总数，为数据点对于目标数据点的权重，为时刻的预处理后边坡位移数据，为另一时刻，j为另一时刻索引，权重的计算方式为：
18、；
19、其中，e为自然常数，h为带宽，为第k个时刻，k为计数索引；
20、s22：计算所述季节性成分，计算方式为：
21、；
22、其中，为在时间点处的季节性成分，为在时间点处的预处理后边坡位移数据；
23、s23：计算所述残差成分，计算方式为：
24、；
25、其中，为在时间点处的残差成分；
26、将所述趋势成分、所述季节性成分、所述残差成分，以形式拼接，作为该时间点的季节特征；其中，为拼接操作。
27、在本专利技术中，用当前时间点减去另一个时间点，是为了计算两个时间点之间的时间距离，这个距离会影响权重的大小。其中，是数据中的某一个时间点，可以把j理解为一个循环变量，它会遍历所有的数据点。带宽h用于控制局部平滑的平滑程度。
28、在本专利技术中，带宽h越大，表示越多的数据点被用来计算趋势成分，越能反映时间序列的整体变化；带宽h越小，表示越少的数据点被用来计算趋势成分，越能捕捉时间序列的细微波动。局部平滑可以根据时间距离来调整每个数据点的权重，越近的数据点越重要，越远的数据点越不重要，以更好地反映时间序列的趋势变化。
29、在本专利技术中，此步骤将一个时间序列分解为三个成分：趋势、季节和残差。趋势成分表示时间序列的长期变化，季节成分表示时间序列的周期性变化，残差成分表示时间序列的随机波动。通过计算三种成分，有助于将边坡位移数据中不同来源的信号进行更加精细和全面的分解，增加模型的可解释性，同时，也为后续的边坡监测网络提供了更为综合丰富的输入，有助于后续网络更准确地捕捉和学习位移的复杂变化模式。
30、进一步地，所述s3步骤构建融合季节特征的边坡监测网络，根据所述季节特征与所述预处理后的边坡位移数据，分别提取季节特征向量与时序特征向量，再进行特征融合，得到边坡特征向量；最后将边坡特征向量输入到全连接层中，获取边坡位移数据预测值，包括：
31、s31：构建融合季节特征的边坡监测网络，该网络由2个gru和特征融合部分组成；
32、s32：将每个季节各时间点的季节特征输入到第一个gru中，取第一个gru输出的最后一个隐藏状态为季节特征向量，记为，gru的计算方式为：
33、；
34、其中，为当前时刻的更新门，t为当前时刻，为sigmoid函数，为更新门权重矩阵，为上一时刻的隐藏状态，为当前时刻的预处理后边坡位移数据，为当前时刻的重置门，为重置门权重矩阵，为当前时刻的候选隐藏状态，tanh( )为tanh函数，为双曲正弦权重矩阵，为元素乘法；
35、s33：对预处理后的边坡位移数据，采用第二个gru提取时序特征向量，计算方式为：
36、；...
【技术保护点】
1.一种基于深度学习的边坡监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的边坡监测方法，其特征在于，所述步骤S2包括以下步骤：
3.根据权利要求2所述的基于深度学习的边坡监测方法，其特征在于，所述步骤S3包括以下步骤：
4.根据权利要求3所述的基于深度学习的边坡监测方法，其特征在于，所述步骤S4包括以下步骤：
5.根据权利要求4所述的基于深度学习的边坡监测方法，其特征在于，所述步骤S5包括以下步骤：
6.一种基于深度学习的边坡监测系统，其特征在于，包括：
【技术特征摘要】
1.一种基于深度学习的边坡监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的边坡监测方法，其特征在于，所述步骤s2包括以下步骤：
3.根据权利要求2所述的基于深度学习的边坡监测方法，其特征在于，所述步骤s3包括以下步骤：
【专利技术属性】
技术研发人员：易文，黄盎峰，杜撰文，张红武，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。