摘要
本发明公开了一种基于多源信息融合与U‑Net网络的地连墙挠度剖面预测方法,包括:获取基坑监测系统历史监测数据;获取施工方案或者施工进度计划,构建施工信息特征向量;基于编码器‑解码器架构建立地连墙挠度预测框架,将施工信息特征向量与历史地连墙挠度信息输入到深度学习模型中进行特征学习和特征融合,以预测下一阶段地连墙的挠度发展;预测值返回到模型输入端口作为后续预测阶段的输入,实施动态滚动预测。将施工信息引入到自回归模型中,能够有效减缓误差累积对预测结果的影响,并针对生成任务的特性,引入U‑Net模块以取代传统全连接层映射方法,进一步提高了模型的整体性能。
技术关键词
历史监测数据
一维卷积神经网络
编码器
多源信息融合
解码器架构
预测系统
基坑监测系统
层映射方法
变形监测数据
变形监测系统
信息编码
解码模块
动态更新
深度学习模型
上采样
数据获取模块
框架
系统为您推荐了相关专利信息
编码特征
自动驾驶运动规划
场景类别
通用特征
地图元素
深度学习模型优化
代码开发方法
训练样本集
强化学习框架
沙箱环境
文本分类方法
神经网络模型
文本编码器
标签结构
文本分类模型
数据融合方法
跨模态
文本处理模型
元学习算法
图像处理模型