Page 77 - 水利学报2021年第52卷第1期

l
l
l
（ f ）、输入门（ i ）和输出门（ o ）构成，用于决定数据更新或丢弃。具体来说，遗忘门控制上一时
t
t
t
l
͂
刻内部状态（C l ）需遗忘的信息量，输入门控制当前时刻候选状态（C ）需保存的信息量，而输出门
t - 1 t
l
l
则控制当前时刻内部状态（C ）需输出给外部状态（ h ）的信息量。其对应计算过程如下：
t
t
͂
l
l
（1）利用上一时刻外部状态（ h l ）和当前时刻输入（ h l - 1 ），计算出 f l 、 i 和 C ：
t - 1 t - 1 t t t
l
f t l = σ ( w ×[ h t - 1 ，h t - 1 ] + b f ) （1）
l - 1
f
l
l
i = σ ( w ×[ h t - 1 ，h l - 1 ] + b i ) （2）
i
t
t - 1
͂
l
l
C = tanh( w ×[ h t - 1 ，h t - 1 ] + b C ) （3）
l - 1
t
C
l
l
（2）结合 f t l 和 i 更新记忆单元状态（C ）：
t
t
l
l
l
l
C = f C t - 1 + i C ͂ t l （4）
t
t
t
l
l
l
（3）通过 o 将 C 信息传递给 h ：
t
t
t
l
o = σ ( w ×[ h l t - 1 ，h t - 1 ] + b o ) （5）
l - 1
t
o
h = o tanh( ) （6）
l
l
l
C
t
t
t
式中： σ (×) 、 tanh(×) 分别为 Sigmoid 函数和双曲正切函数； w 、 b 分别为权重矩阵和偏置向量；  表
示两向量的标量积。
σ σ σ
图 1 LSTM 单元内部结构 ［25］
2.3 深度学习算法适用性分析 对于水工建筑物安全监控大数据，深度学习（如 LSTM）与浅层学习相
比，主要“深”在能够更为全面地获取数据潜在规律，从而为提升模型预测性能奠定信息基础。因
此，LSTM 算法在水工建筑物安全监控通用模型构建框架中，不仅能承担模型层的预测功能，而且能
减少特征层中手工提取有效信息的工作量。再者，LSTM 模型结构便于调整，可依据数据形式的复杂
程度而定 ［33］ 。不过，根据监测数据特性，直接应用 LSTM 算法构建安全监控模型仍有以下几点不足：
（1）监测数据中存在含噪失真、非等间距以及局部空值野值等现象，需加强数据前端处理；（2）监测
数据处理讲究及时有效，模型难以实现全数据处理，需限定记忆区间以减少模型训练时长；（3）模型
表现易受监测数据多重共线性等的影响；（4）模型超参数较多，而单一项目监测数据量并不大，容易
发生过拟合；加之，监测项目众多，数据形式多样，对模型泛化能力提出了更高要求；（5）监测数据
外延对模型多步预测精度和特殊场景应对能力亦较为重视。因此，有必要优化深度模型架构以适应
安全监控大数据分析的需求。

— 73 —