基于LSTM的工程安监数据异常检测方法开题报告

全文总字数：2913字

1. 研究目的与意义（文献综述）

安全监测是指对被监测的对象进行测量，以确定其空间位置以及内部形态随时间变化的过程和特征。基础的变形监测包括的对象主要有：工程建筑物、技术设备以及其他自然或者人工的对象，比如大坝、桥梁、隧道、高层建筑、矿井和滑坡等。变形监测只是掌握了建筑物形变特征的基本手段，但仅仅对建筑物的形变特征进行检测是不够全面的，还需要对结构内部的应力、温度以及外部环境进行相应的监测，才能全面掌握建筑物的工作形态。为此，在变形监测的基础上发展出安全监测。鉴于大型建筑物在国民经济中的重要性，其安全监测工作受到政府和管理部门的普遍重视。

虽然纷繁复杂的原始数据是安全监测的基础，但它们不能直观清晰地展示工作形态，需要采用合适的模型才能从中揭示规律并进行判断，其中人工神经网络（ann）是其中较为有效的一种。针对安全监测数据存在明显的时序性这一特点，循环神经网络（rnn）作为一种特殊的ann，可以有效处理序列数据（包括时间序列，文本文档或者音频）。它可以通过之前输入的事件信息，预测与理解分类之后输入的事件信息。此外，循环神经网络可以通过不停地将信息循环操作，保证信息持续存在。

当rnn需要用较远的信息来处理当前的任务时，可能发生“梯度消失”和“梯度爆炸”问题。其中，“梯度消失”是更需亟待解决的问题，它往往使计算过程无法继续，从而导致rnn无法继续学习。对此，一般采用一种具有长短期记忆单元（lstm）的rnn，它通过保留一个更为恒定的误差，使循环网络能够在有许多时间步(超过1000步)的情况下继续学习。lstm将信息存放在循环网络正常信息流之外的门控单元中，并且采用sigmoid函数以便进行反向传播。因为lstm在拥有rnn的核心功能的基础上，解决了梯度消失的问题，可以更好的进行工程安监数据的分析和异常检测。

2. 研究的基本内容与方案

（1）调研工程安全监测的种类，包括大坝安全监测，矿井安全监测，桥梁安全检测，平台安全监测，铁路安全监测，环境安全监测等，利用互联网查阅相关数据，选择便于进行仿真和实验的工程安监数据，并对需要检测的数据进行预处理。

（2）学习人工神经网络（ann）的概念，分析循环神经网络（rnn）的网络结构，判断循环神经网络（rnn）相较于传统ann是如何改进而使其能够通过先前的信息而对需要处理的事件信息进行预测和分类的。对rnn的相关公式进行分析，掌握rnn所存在的局限性，长依赖问题是如何产生的，“梯度爆炸”与“梯度消失”是如何产生的。

（3）掌握长短期记忆网络（lstm）相对于rnn的结构改进，画出lstm的结构图，分析各个组成部分的工作原理。说明lstm是如何解决rnn中所存在的问题。了解lstm神经网络相对于rnn所存在的独特优势。

3. 研究计划与安排

2019.12-2020.3 查找资料，文献归纳、分析、整理，撰写开题报告、翻译英文资料。

2020.3-2020.4 在熟悉ann和rnn的核心概念的基础上，重点学习lstm的结构以及工作原理，最终实现lstm的算法。

2020.4-2020.5针对特定的工程安监数据，验证lstm算法的有效性。

4. 参考文献（12篇以上）

[1]王鑫，吴际，刘超，杨海燕，杜艳丽，牛文生.基于 lstm 循环神经网络的故障时间序列预测[j].北京航空航天大学学报,2018,44(04):773-782.

[2]岳建平，徐佳.安全检测技术与应用[m].武汉：武汉大学出版社,2018.

[3]季学武，费聪，何祥坤，刘玉龙，刘亚辉.基于lstm网络的驾驶意图识别及车辆轨迹预测[j].中国公路学报,2019,32(06):66-71.