本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)預(yù)測算法領(lǐng)域，具體涉及基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、近年來，針對石窟文物風(fēng)化的研究已經(jīng)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(fēng)化過程及其與環(huán)境因素關(guān)系的理解，也為石窟文物的保護(hù)與修復(fù)提供了重要的科學(xué)依據(jù)和技術(shù)支持?？傊呶奈锃h(huán)境參數(shù)的研究和預(yù)測不僅對于保護(hù)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(hù)提供了借鑒和參考。

2、深度學(xué)習(xí)理論以其強大的建模優(yōu)勢和數(shù)據(jù)處理能力在數(shù)據(jù)分析方面具有獨特的優(yōu)勢。工業(yè)領(lǐng)域越來越多地使用深度學(xué)習(xí)技術(shù)來處理大量信息數(shù)據(jù)，模型參數(shù)預(yù)測也不例外。cnn最關(guān)鍵的特點是卷積的權(quán)值共享結(jié)構(gòu)，它降低了神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性，同時大幅減少了神經(jīng)網(wǎng)絡(luò)的參數(shù)數(shù)量并防止過擬合。然而，cnn只能訓(xùn)練和識別數(shù)據(jù)的靜態(tài)特征。這種結(jié)構(gòu)忽略了時間層面上序列數(shù)據(jù)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(jìn)的rnn，非常適合處理時間序列數(shù)據(jù)。它可以存儲比rnn更長的記憶。lstm可以學(xué)習(xí)長期依賴關(guān)系作為其結(jié)構(gòu)的固有部分。此外，它解決了rnn中梯度爆炸和梯度消失的關(guān)鍵問題，提供了出色的結(jié)果和性能。

3、一般來說，更多的節(jié)點和更深的網(wǎng)絡(luò)層將帶來更好的學(xué)習(xí)和擬合，但會顯著增加超參數(shù)的數(shù)量。超參數(shù)包含每層的節(jié)點數(shù)、迭代次數(shù)和學(xué)習(xí)率，它們是模型訓(xùn)練開始之前設(shè)置的一組參數(shù)。超參數(shù)的不同組合會影響模型的平滑性和準(zhǔn)確性，并且無法預(yù)測它們之間的組合模式。評估每個超參數(shù)組合需要多次迭代計算，耗費大量時間，但是進(jìn)行超參數(shù)的調(diào)整這一步是必須的。

4、bo算法是一種高效的全局優(yōu)化算法，其最終目標(biāo)是找到優(yōu)化問題的全局最優(yōu)解用于優(yōu)化問題。bo算法在20世紀(jì)70年代開始起飛。隨著深度學(xué)習(xí)和優(yōu)化的快速發(fā)展，bo算法逐漸成為研究熱點。bo算法廣泛用于解決復(fù)雜和高維的優(yōu)化問題，特別是在機器學(xué)習(xí)模型的超參數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搜索和自動化機器學(xué)習(xí)中。bo算法以最少的評估和無需大量采樣點來找到目標(biāo)函數(shù)的最優(yōu)解。它非常適合解決具有未知目標(biāo)函數(shù)表達(dá)式和昂貴評估的復(fù)雜優(yōu)化問題。

5、盡管現(xiàn)有研究成果豐富，但對于石窟風(fēng)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(shù)據(jù)，以窟內(nèi)的壁面溫度、空氣溫度和空氣濕度為研究對象，構(gòu)建了一個基于bo-cnn-lstm的組合模型，旨在預(yù)測石窟環(huán)境參數(shù)，并且最終結(jié)果優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。這種模型綜合考慮了多種環(huán)境因素的作用，為石窟文物的保護(hù)提供了一種新的預(yù)測工具，有助于更準(zhǔn)確地預(yù)判環(huán)境參數(shù)的變化趨勢，并為選擇合理的保護(hù)措施提供科學(xué)依據(jù)。

技術(shù)實現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，本發(fā)明通過精準(zhǔn)預(yù)測石窟內(nèi)外環(huán)境參數(shù)，為文物保護(hù)提供科學(xué)依據(jù)，確保文化遺產(chǎn)的安全；采用cnn-lstm神經(jīng)網(wǎng)絡(luò)模型，結(jié)合貝葉斯優(yōu)化(bo)算法，解決傳統(tǒng)方法難以準(zhǔn)確預(yù)測環(huán)境變化的問題；通過傳感器采集數(shù)據(jù)，經(jīng)過預(yù)處理后構(gòu)建數(shù)據(jù)樣本集，并利用cnn-lstm模型提取特征、學(xué)習(xí)序列信息，最終輸出預(yù)測值；bo算法優(yōu)化超參數(shù)，提高模型的預(yù)測精度和穩(wěn)定性，有效降低環(huán)境因素對石窟文物的影響，為制定合理的保護(hù)措施提供了技術(shù)支持。

2、為解決上述技術(shù)問題，提出了基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法，包括，

3、利用傳感器采集石窟外部和內(nèi)部的環(huán)境參數(shù)并進(jìn)行預(yù)處理，將預(yù)處理后的數(shù)據(jù)構(gòu)建數(shù)據(jù)樣本集；根據(jù)樣本集構(gòu)建cnn-lstm網(wǎng)絡(luò)預(yù)測模型，建立預(yù)測模型的超參數(shù)，并設(shè)置待優(yōu)化的超參數(shù)的組合區(qū)間，對超參數(shù)執(zhí)行bo算法；根據(jù)概率模型獲取函數(shù)選擇下一組超參數(shù)進(jìn)行新一輪訓(xùn)練，直至達(dá)到迭代次數(shù)，輸出預(yù)測值。

4、作為本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法的一種優(yōu)選方案，其中：所述環(huán)境參數(shù)包括，大氣壓力、外界風(fēng)速、外界溫度、外界濕度、窟內(nèi)溫度、窟內(nèi)濕度、壁面溫度，將采集數(shù)據(jù)預(yù)處理之后構(gòu)建數(shù)據(jù)樣本集，按7：3的比例將樣本集中的數(shù)據(jù)分為訓(xùn)練集和測試集，進(jìn)行訓(xùn)練和測試。

5、作為本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法的一種優(yōu)選方案，其中：所述構(gòu)建cnn-lstm網(wǎng)絡(luò)預(yù)測模型包括，在cnn-lstm參數(shù)預(yù)測模型中，網(wǎng)絡(luò)模型的層數(shù)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(dāng)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(zhì)特征信息。

7、將特征序列信息的學(xué)習(xí)引入到兩層lstm網(wǎng)絡(luò)模型中，利用全連接層將網(wǎng)絡(luò)中前面的特征數(shù)據(jù)轉(zhuǎn)換成最終的預(yù)測值，從而完成參數(shù)預(yù)測輸出。

8、將樣本集輸入cnn卷積層，利用卷積核自適應(yīng)提取數(shù)據(jù)特征，提取的特征在池化層進(jìn)行最大池化操作，降低數(shù)據(jù)維數(shù)并保留主特征信息，降維后的主特征數(shù)據(jù)作為lstm層的輸入自動學(xué)習(xí)數(shù)據(jù)特征，利用全連接層將網(wǎng)絡(luò)中前面的特征數(shù)據(jù)轉(zhuǎn)換成最終的預(yù)測值，完成參數(shù)預(yù)測。

9、所述待優(yōu)化的超參數(shù)的組合區(qū)間包括，選擇四個超參數(shù)包括卷積核的個數(shù)、初始學(xué)習(xí)率、正則化系數(shù)和lstm中的神經(jīng)元數(shù)量。

10、四個優(yōu)化范圍分別為：卷積核的個數(shù)為[16，64]，初始學(xué)習(xí)率為[10-4，10-2]，正則化系數(shù)為[10-4，10-2]，lstm中的神經(jīng)元數(shù)量為[20，100]。

11、作為本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法的一種優(yōu)選方案，其中：所述超參數(shù)執(zhí)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(shù)據(jù)集d1:t獲得的，得到后驗分布結(jié)構(gòu)，通過最大化評價點xt+1來進(jìn)行引導(dǎo)：

12、

13、其中，v*為當(dāng)前最優(yōu)函數(shù)值，為標(biāo)準(zhǔn)正態(tài)分布概率密度函數(shù)，μ(x)為預(yù)測結(jié)果的均值，σt(x)為預(yù)測結(jié)果的標(biāo)準(zhǔn)差。

14、作為本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法的一種優(yōu)選方案，其中：所述輸出預(yù)測值包括，如果優(yōu)化后的超參數(shù)組合不滿足最大迭代次數(shù)30次，則重置超參數(shù)區(qū)間并再次進(jìn)行bo算法的優(yōu)化尋找到最優(yōu)的超參數(shù)組合以滿足最大迭代次數(shù)30次。

15、當(dāng)超參數(shù)組合滿足最大迭代次數(shù)30次時，cnn-lstm模型使用當(dāng)前超參數(shù)組合的訓(xùn)練集進(jìn)行訓(xùn)練，根據(jù)評價指標(biāo)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(wǎng)絡(luò)結(jié)構(gòu)，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(jìn)行l(wèi)1正則化和elasticnet正則化調(diào)整，輸出調(diào)整結(jié)果，重新判斷是否滿足精度。

16、如果精度滿足要求，說明當(dāng)前bo-cnn-lstm模型具備參數(shù)預(yù)測能力，以測試集作為輸入概率模型，輸出層的參數(shù)預(yù)測結(jié)果驗證模型性能。

17、作為本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法的一種優(yōu)選方案，其中：所述概率模型獲取函數(shù)包括，先驗分布的均值為0：

18、p(f|x,θ)＝n(0,∑)

19、其中，f為未知函數(shù)f函數(shù)值的集合，x為訓(xùn)練集，θ為超參數(shù)，k(x,x′)為協(xié)方差函數(shù)，σ為k(x,x′)組成的協(xié)方差矩陣。

20、當(dāng)噪聲ε滿足具有相同獨立分布的高斯分布時，似然分布為：

21、p(y|f)＝n(f,σ2i)

22、其中，y＝f(x)+ε，ε是隨機誤差，p(ε)＝n(0,σ2)，y是觀測值y的集合，i為單位矩陣。

23、預(yù)測分布結(jié)果如下：

24、p(f*|x,y,x*)＝n(<f*.,cov(f*))

25、其中，x*表示預(yù)測輸入，<f*>是預(yù)測均值，cov<f*>是預(yù)測協(xié)方差。

26、作為本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測方法的一種優(yōu)選方案，其中：所述根據(jù)評價指標(biāo)來確定精度值包括，對所有個體誤差給予相同的權(quán)重：

27、

28、

29、

30、

31、當(dāng)所有bo-cnn-lstm模型對不同參數(shù)類別的預(yù)測誤差均保持在1.5以下，表明bo算法優(yōu)化后環(huán)境參數(shù)預(yù)測的性能得到增強。

32、其中，mae為平均絕對誤差、rmse為均方根誤差、mape為平均絕對百分比誤差，r2確定系數(shù)，yp表示預(yù)測模型的預(yù)測值，ym表示傳感器的測量值即真實值，yavg表示測量值的平均值，n表示測量次數(shù)。

33、本發(fā)明的另外一個目的是提供了基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測系統(tǒng)，本發(fā)明通過采集并預(yù)處理石窟的大氣壓力、風(fēng)速、溫度、濕度等關(guān)鍵環(huán)境數(shù)據(jù)，構(gòu)建了cnn-lstm神經(jīng)網(wǎng)絡(luò)模型，解決傳統(tǒng)監(jiān)測方法無法準(zhǔn)確預(yù)測環(huán)境變化的問題，提高環(huán)境參數(shù)預(yù)測的準(zhǔn)確性和時效性；通過智能化的預(yù)測分析，制定合理的文物保護(hù)措施，降低環(huán)境因素對石窟文物的影響，確保文化遺產(chǎn)的安全與傳承。

34、作為本發(fā)明所述的基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測系統(tǒng)的一種優(yōu)選方案，其特征在于，包括數(shù)據(jù)采集與預(yù)處理模塊、模型構(gòu)建與訓(xùn)練模塊以及模型測試模塊。

35、所述數(shù)據(jù)采集與預(yù)處理模塊，利用傳感器采集石窟外部和內(nèi)部的環(huán)境參數(shù)，對采集到的數(shù)據(jù)進(jìn)行預(yù)處理，消除噪聲和異常值，保證數(shù)據(jù)質(zhì)量；構(gòu)建數(shù)據(jù)樣本集，并將數(shù)據(jù)樣本集按7:3分為訓(xùn)練集和測試集，進(jìn)行模型的訓(xùn)練和驗證。

36、所述模型構(gòu)建與訓(xùn)練模塊，構(gòu)建基于cnn-lstm的神經(jīng)網(wǎng)絡(luò)模型，設(shè)定模型超參數(shù)的初始組合區(qū)間，并執(zhí)行貝葉斯優(yōu)化bo算法優(yōu)化超參數(shù)，在每次迭代中，根據(jù)概率模型獲取函數(shù)選擇下一組超參數(shù)，并使用訓(xùn)練集對模型進(jìn)行訓(xùn)練，直到達(dá)到設(shè)定的迭代次數(shù)或滿足停止條件，通過評價指標(biāo)確定模型的精度，并對模型結(jié)構(gòu)進(jìn)行調(diào)整。

37、所述模型測試模塊，使用優(yōu)化后的超參數(shù)組合和訓(xùn)練好的cnn-lstm模型，對待預(yù)測的環(huán)境參數(shù)進(jìn)行預(yù)測，將測試集作為輸入，獲取模型的預(yù)測輸出，并與實際測量值進(jìn)行比較，計算預(yù)測誤差和性能評價指標(biāo)評估模型的預(yù)測性能。

38、一種計算機設(shè)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(zhí)行所述計算機程序時實現(xiàn)基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測所述的方法的步驟。

39、一種計算機可讀存儲介質(zhì)，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(zhí)行時實現(xiàn)基于人工神經(jīng)網(wǎng)絡(luò)的云岡石窟環(huán)境參數(shù)預(yù)測所述的方法的步驟。

40、本發(fā)明的有益效果：本發(fā)明lstm、cnn-lstm和bo-cnn-lstm模型表現(xiàn)出不同的性能。由于無法有效地對時間相關(guān)性進(jìn)行建模，lstm模型的訓(xùn)練精度和收斂速度相對較差。cnn-lstm模型集成了cnn和lstm網(wǎng)絡(luò)，通過從時間序列數(shù)據(jù)中提取特征來改進(jìn)lstm模型，有助于更好地理解時間相關(guān)性。然而，cnn-lstm模型的性能取決于超參數(shù)設(shè)置，需要進(jìn)行優(yōu)化以增強其功效。bo-cnnlstm模型結(jié)合了貝葉斯優(yōu)化算法，顯著改進(jìn)了超參數(shù)優(yōu)化，與cnn-lstm模型相比，具有更優(yōu)越的性能指標(biāo)。bo-cnn-lstm模型在預(yù)測洞穴內(nèi)部環(huán)境參數(shù)方面表現(xiàn)出更高的準(zhǔn)確性、穩(wěn)定性和泛化能力。這項研究為先進(jìn)機器學(xué)習(xí)技術(shù)在文化遺產(chǎn)保護(hù)中的應(yīng)用提供了令人信服的案例。通過巧妙地預(yù)測對云岡石窟保護(hù)至關(guān)重要的環(huán)境參數(shù)，bo-cnn-lstm模型為遺產(chǎn)保護(hù)者提供了一種新穎且高效的工具。它能夠高精度地捕捉和預(yù)測石窟內(nèi)的微氣候變化，從而能夠制定更明智、更主動的保護(hù)策略，從而有可能延長這些寶貴歷史遺址的壽命。進(jìn)一步的研究應(yīng)探索將額外的數(shù)據(jù)源和環(huán)境因素整合到預(yù)測模型，以提高其全面性和準(zhǔn)確性。對其他先進(jìn)機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)的探索，以及超參數(shù)優(yōu)化方法的細(xì)化，可以提供新的見解和改進(jìn)。此外，將該型應(yīng)用于具有類似保護(hù)需求的其他文化遺產(chǎn)地可以驗證其有效性和適應(yīng)性。