[发明专利]基于PCA-LSTM神经网络的地表沉降预测方法

权利要求书

1.基于PCA-LSTM神经网络的地表沉降预测方法，其特征在于，包括以下步骤：

步骤一：通过主成分分析法和方差贡献率从监测数据中提取出有效特征信息，获得少量且相互独立的变量，对其进行有效降维；

步骤二：将提取出的主成分数据传递给神经网络输入层后，开始对接收到的数据逐层输入LSTM神经网络进行训练，得到主成分地表沉降预测值；

步骤三：根据特征根重构为各监测点预测值；

所述步骤一具体为：

(1)、构建一个m×n阶的数据矩阵，其中m为原始数据集中的样本数量，n为各样本相应变量数：

在进行协方差矩阵的计算时对原始数据进行相应的标准化处理，从而统一样本的量纲与数量级；

其中，x_i′_j表示标准化后的指标值；表示某个指标的平均值；σ_j表示某一指标的标准差。

(2)、根据特征方程|λ-R|＝0可计算出特征根λ_i(i＝1,2,...,n)，按照从大到小的顺序排列，λ₁≥λ₂≥…≥λ_m≥0，可得到对应的特征向量为e₁,e₂,…,e_m。若总方差不变，则需计算上述特征根的贡献率及其累计贡献率，通过后者确定最终的主成分个数。当累计贡献率达到所要求的阈值，原始的n个变量就可以用特征根所对应的第1、第2、…、第c个主成分来表示；

(3)、利用主成分分析法处理后，原数据矩阵可通过转换得到新的主成分变量，具体数学方法可表示为：

其中，c_ij与y_i互不相关，且c_i1²+c_i2²+…+c_in²＝1、变量个数由此消减。

所述步骤三具体为：将预测得到的主成分预测值乘以特征根λ_i(i＝1,2,...,n)得到各监测点的预测值。

2.根据权利要求1所述的基于PCA-LSTM神经网络的地表沉降预测方法，其特征在于：所述步骤一中的转换得到新的主成分变量与原数据矩阵为线性组合关系。