[发明专利]一种基于时间卷积网络的结构变形预测方法

权利要求书

1.一种基于时间卷积网络的结构变形预测方法，其特征在于，包括以下步骤：

1)测量结构的实际变形监测数据，并对其进行预处理；

2)对步骤1)预处理后的结构的变形监测数据通过时间卷积网络进行时间特征提取；

3)对步骤2)得到的结构的变形监测数据的时间特征通过全连接层，得结构变形预测结果；

4)对步骤3)得到的结构变形预测结果进行模型超参数分析及实验交叉验证，以确定最优的模型参数，再将最优的模型参数对应的预测结果作为结构变形最终预测的结果。

2.根据权利要求1所述的基于时间卷积网络的结构变形预测方法，其特征在于，步骤1)中，当结构的实际变形监测数据存在数据丢失、错误数据或数据样本数量小于预设数量时，则对结构的实际变形监测数据进行插值及归一化处理。

3.根据权利要求1所述的基于时间卷积网络的结构变形预测方法，其特征在于，步骤2)中，时间卷积网络中每个残差模块的输入S^(i,1)都来自前一个残差模块的输出S^(i-1,L)，每一个残差模块的扩张因子d均呈指数增长，d＝2ⁱ，i为卷积层数，则各层残余连接的结果S_t^(i,j)为：

其中，S^(i,j)表示时间卷积网络在第i残差模块和第j卷积层中的输出，表示每一卷积层扩张卷积的输出结果，ReLu表示激活函数。

4.根据权利要求1所述的基于时间卷积网络的结构变形预测方法，其特征在于，通过时间卷积网络提取特征，利用因果扩张卷积防止未来信息泄露的同时增大感受野，继而利用监测数据的历史信息来提取数据的时间特征。

5.根据权利要求3所述的基于时间卷积网络的结构变形预测方法，其特征在于，当残差输入和残差输出有不同的维度时，则添加一个1x1的卷积来保证残差输入和残差输出维度相同。

6.根据权利要求1所述的基于时间卷积网络的结构变形预测方法，其特征在于，步骤3)中，时间卷积网络提取的时间特征S_t^(n,L)通过全连接层，得结构变形预测结果为：

其中，w和b为通过训练获得的参数，S_t^(n,L)为时间特性的输出，g(·)为线性激活函数。

7.根据权利要求1所述的基于时间卷积网络的结构变形预测方法，其特征在于，步骤4)中，经过超参数分析后，模型的最优参数为：卷积核大小为8，卷积核的个数为16，扩张系数为{1,2,4,8,16,32}，训练次数为500，优化函数为adam，损失函数为MSE。