【技術實現步驟摘要】
本專利技術涉及神經網絡預測算法領域，具體涉及基于人工神經網絡的云岡石窟環境參數預測方法及系統。
技術介紹
1、近年來，針對石窟文物風化的研究已經取得一系列成果，通過這些研究成果的積累，我們不僅深化了對石窟文物風化過程及其與環境因素關系的理解，也為石窟文物的保護與修復提供了重要的科學依據和技術支持。總之，石窟文物環境參數的研究和預測不僅對于保護石窟文物具有重要的實踐意義，同時也為其他類型文物的保護提供了借鑒和參考。
2、深度學習理論以其強大的建模優勢和數據處理能力在數據分析方面具有獨特的優勢。工業領域越來越多地使用深度學習技術來處理大量信息數據，模型參數預測也不例外。cnn最關鍵的特點是卷積的權值共享結構，它降低了神經網絡模型的復雜性，同時大幅減少了神經網絡的參數數量并防止過擬合。然而，cnn只能訓練和識別數據的靜態特征。這種結構忽略了時間層面上序列數據之間的長期依賴性，使得cnn在處理長序列方面受到限制。長短期記憶(lstm)，由hochreiter等人提出，是一種改進的rnn，非常適合處理時間序列數據。它可以存儲比rnn更長的記憶。lstm可以學習長期依賴關系作為其結構的固有部分。此外，它解決了rnn中梯度爆炸和梯度消失的關鍵問題，提供了出色的結果和性能。
3、一般來說，更多的節點和更深的網絡層將帶來更好的學習和擬合，但會顯著增加超參數的數量。超參數包含每層的節點數、迭代次數和學習率，它們是模型訓練開始之前設置的一組參數。超參數的不同組合會影響模型的平滑性和準確性，并且無法預測它們之間的組合模式。評估每
4、bo算法是一種高效的全局優化算法，其最終目標是找到優化問題的全局最優解用于優化問題。bo算法在20世紀70年代開始起飛。隨著深度學習和優化的快速發展，bo算法逐漸成為研究熱點。bo算法廣泛用于解決復雜和高維的優化問題，特別是在機器學習模型的超參數優化、神經網絡結構搜索和自動化機器學習中。bo算法以最少的評估和無需大量采樣點來找到目標函數的最優解。它非常適合解決具有未知目標函數表達式和昂貴評估的復雜優化問題。
5、盡管現有研究成果豐富，但對于石窟風化的多因素綜合作用的研究仍相對有限。本研究基于云岡石窟第十窟在2023.7.1-10.1的實測數據，以窟內的壁面溫度、空氣溫度和空氣濕度為研究對象，構建了一個基于bo-cnn-lstm的組合模型，旨在預測石窟環境參數，并且最終結果優于傳統的神經網絡模型。這種模型綜合考慮了多種環境因素的作用，為石窟文物的保護提供了一種新的預測工具，有助于更準確地預判環境參數的變化趨勢，并為選擇合理的保護措施提供科學依據。
技術實現思路
1、鑒于上述現有存在的問題，本專利技術通過精準預測石窟內外環境參數，為文物保護提供科學依據，確保文化遺產的安全；采用cnn-lstm神經網絡模型，結合貝葉斯優化(bo)算法，解決傳統方法難以準確預測環境變化的問題；通過傳感器采集數據，經過預處理后構建數據樣本集，并利用cnn-lstm模型提取特征、學習序列信息，最終輸出預測值；bo算法優化超參數，提高模型的預測精度和穩定性，有效降低環境因素對石窟文物的影響，為制定合理的保護措施提供了技術支持。
2、為解決上述技術問題，提出了基于人工神經網絡的云岡石窟環境參數預測方法，包括，
3、利用傳感器采集石窟外部和內部的環境參數并進行預處理，將預處理后的數據構建數據樣本集；根據樣本集構建cnn-lstm網絡預測模型，建立預測模型的超參數，并設置待優化的超參數的組合區間，對超參數執行bo算法；根據概率模型獲取函數選擇下一組超參數進行新一輪訓練，直至達到迭代次數，輸出預測值。
4、作為本專利技術所述的基于人工神經網絡的云岡石窟環境參數預測方法的一種優選方案，其中：所述環境參數包括，大氣壓力、外界風速、外界溫度、外界濕度、窟內溫度、窟內濕度、壁面溫度，將采集數據預處理之后構建數據樣本集，按7：3的比例將樣本集中的數據分為訓練集和測試集，進行訓練和測試。
5、作為本專利技術所述的基于人工神經網絡的云岡石窟環境參數預測方法的一種優選方案，其中：所述構建cnn-lstm網絡預測模型包括，在cnn-lstm參數預測模型中，網絡模型的層數分為七層，包含一個輸入層、一個cnn的卷積層、一個cnn的池化層、兩個lstm層、一個fc層和一個輸出層。
6、cnn的卷積層使用寬卷積核來獲得相當大的感知場，提取出特征信息；池化層采用最大池化來保留本質特征信息。
7、將特征序列信息的學習引入到兩層lstm網絡模型中，利用全連接層將網絡中前面的特征數據轉換成最終的預測值，從而完成參數預測輸出。
8、將樣本集輸入cnn卷積層，利用卷積核自適應提取數據特征，提取的特征在池化層進行最大池化操作，降低數據維數并保留主特征信息，降維后的主特征數據作為lstm層的輸入自動學習數據特征，利用全連接層將網絡中前面的特征數據轉換成最終的預測值，完成參數預測。
9、所述待優化的超參數的組合區間包括，選擇四個超參數包括卷積核的個數、初始學習率、正則化系數和lstm中的神經元數量。
10、四個優化范圍分別為：卷積核的個數為[16，64]，初始學習率為[10-4，10-2]，正則化系數為[10-4，10-2]，lstm中的神經元數量為[20，100]。
11、作為本專利技術所述的基于人工神經網絡的云岡石窟環境參數預測方法的一種優選方案，其中：所述超參數執行bo算法包括，選擇下一個點評估模型的最佳性能，從觀測數據集d1:t獲得的，得到后驗分布結構，通過最大化評價點xt+1來進行引導：
12、
13、其中，v*為當前最優函數值，為標準正態分布概率密度函數，μ(x)為預測結果的均值，σt(x)為預測結果的標準差。
14、作為本專利技術所述的基于人工神經網絡的云岡石窟環境參數預測方法的一種優選方案，其中：所述輸出預測值包括，如果優化后的超參數組合不滿足最大迭代次數30次，則重置超參數區間并再次進行bo算法的優化尋找到最優的超參數組合以滿足最大迭代次數30次。
15、當超參數組合滿足最大迭代次數30次時，cnn-lstm模型使用當前超參數組合的訓練集進行訓練，根據評價指標來確定精度值，如果精度不滿足要求，則模型返回到上一層，修改原始網絡結構，在cnn中增加一層卷積層和一層lstm層，在lstm層之間添加dropout層，進行l1正則化和elasticnet正則化調整，輸出調整結果，重新判斷是否滿足精度。
16、如果精度滿足要求，說明當前bo-cnn-lstm模型具備參數預測能力，以測試集作為輸入概率模型，輸出層的參數預測結果驗證模型性能。
17、作為本專利技術所述的基于人工神經網絡的云岡石窟環境參數預測方法的一種優選方案，其中：所述概率模型獲取函數包括，先驗分布的均值為0：
18本文檔來自技高網...
【技術保護點】
1.基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：包括，
2.如權利要求1所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述環境參數包括，大氣壓力、外界風速、外界溫度、外界濕度、窟內溫度、窟內濕度、壁面溫度，將采集數據預處理之后構建數據樣本集，按7：3的比例將樣本集中的數據分為訓練集和測試集，進行訓練和測試。
3.如權利要求2所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述構建CNN-LSTM網絡預測模型包括，在CNN-LSTM參數預測模型中，網絡模型的層數分為七層，包含一個輸入層、一個CNN的卷積層、一個CNN的池化層、兩個LSTM層、一個FC層和一個輸出層；
4.如權利要求3所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述超參數執行BO算法包括，選擇下一個點評估模型的最佳性能，從觀測數據集D1:t中得到后驗分布結構，通過最大化評價點xt+1來進行引導：
5.如權利要求4所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述輸出預測值包括，如果優化后的超參數
6.如權利要求5所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述概率模型獲取函數包括，先驗分布的均值為0：
7.如權利要求6所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述根據評價指標來確定精度值包括，對所有個體誤差給予相同的權重：
8.一種采用如權利要求1～7任一所述的基于人工神經網絡的云岡石窟環境參數預測方法的系統，其特征在于：包括數據采集與預處理模塊、模型構建與訓練模塊以及模型測試模塊；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的基于人工神經網絡的云岡石窟環境參數預測方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的基于人工神經網絡的云岡石窟環境參數預測方法的步驟。
...【技術特征摘要】
1.基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：包括，
2.如權利要求1所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述環境參數包括，大氣壓力、外界風速、外界溫度、外界濕度、窟內溫度、窟內濕度、壁面溫度，將采集數據預處理之后構建數據樣本集，按7：3的比例將樣本集中的數據分為訓練集和測試集，進行訓練和測試。
3.如權利要求2所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述構建cnn-lstm網絡預測模型包括，在cnn-lstm參數預測模型中，網絡模型的層數分為七層，包含一個輸入層、一個cnn的卷積層、一個cnn的池化層、兩個lstm層、一個fc層和一個輸出層；
4.如權利要求3所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述超參數執行bo算法包括，選擇下一個點評估模型的最佳性能，從觀測數據集d1:t中得到后驗分布結構，通過最大化評價點xt+1來進行引導：
5.如權利要求4所述的基于人工神經網絡的云岡石窟環境參數預測方法，其特征在于：所述輸出預測值包括，如果優化后的...
【專利技術屬性】
技術研發人員：劉廷章，高倫銳，閆宏彬，黃繼忠，徐欣蕊，粟振焜，
申請(專利權)人：上海大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。