[发明专利]一种基于深度学习LSTM网络的桥梁静态位移预测技术

权利要求书

1.一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，包括以下步骤：

(1)采集桥梁挠度静态响应监测数据；

(2)通过桥梁挠度数据进行预处理；

(3)建立LSTM神经网络进行训练；

(4)使用训练好的LSTM神经网络模型对桥梁挠度进行预测。

2.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述步骤2的预处理采用零均值归一化方法，具体公式如下：

其中，x′_i为第i个时刻归一化的预测数据；x_i为第i个时刻的预测数据，σ为数据标准差，u为数据平均值。

3.根据权利要求1所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述步骤3中的LSTM神经网络为改进的RNN网络，通过增加输入门、输出门、遗忘门和单元状态，改变自循环的权重参数。

4.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述遗忘门的输出f^t由上一时刻的隐藏层状态h^t-1和当前时刻的输入x_t共同决定：

f^t＝σ(W_fh^t-1+U_fx^t+b_f)

其中，W_f、U_f和b_f为遗忘门相关的权重和偏置矩阵，σ为sigmod函数。

5.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述输入门控制当前时刻的输入，由两部分组成：

i^t＝σ(W_ih^t-1+U_ix^t+b_i)

a^t＝tanh(W_ah^t-1+U_ax^t+b_a)

其中，W_i、W_a、U_i、U_a、b_i和b_a为输入门相关的权重和偏置矩阵。

6.根据权利要求3所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，在t时刻LSTM网络向前传播隐藏层的状态h^t和单元状态C^t，单元状态C^t的更新由输入门和遗忘门两部分结果组成：

C^t＝C^t-1⊙f^t+i^t⊙a^t

其中，⊙为哈达玛积。

7.根据权利要求6所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述LSTM神经网络中输入门的输出为：

o^t＝σ(W_oh^t-1+U_ox^t+b_o)

隐藏层ht的更新为：

h^t＝o^t⊙tanh(C^t)。

8.根据权利要求2所述的一种基于深度学习LSTM网络的桥梁静态位移预测技术，其特征在于，所述步骤4输入数据得出预测的经过预处理的数据，对数据进行反归一化得到预测的桥梁挠度数据，从而预测桥梁静态位移。