CN106408120B - 一种局部区域滑坡预测装置及方法 - Google Patents

一种局部区域滑坡预测装置及方法 Download PDF

Info

Publication number
CN106408120B
CN106408120B CN201610821271.2A CN201610821271A CN106408120B CN 106408120 B CN106408120 B CN 106408120B CN 201610821271 A CN201610821271 A CN 201610821271A CN 106408120 B CN106408120 B CN 106408120B
Authority
CN
China
Prior art keywords
layer
landslide
equal
local area
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610821271.2A
Other languages
English (en)
Other versions
CN106408120A (zh
Inventor
陈潇君
朱娜
蔡文红
江晓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201610821271.2A priority Critical patent/CN106408120B/zh
Publication of CN106408120A publication Critical patent/CN106408120A/zh
Application granted granted Critical
Publication of CN106408120B publication Critical patent/CN106408120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种局部区域滑坡预测装置及方法，采用现有的机器学习相关技术，包括卷积神经网络技术，监督式策略模型，随机梯度下降法，随机梯度上升法，迁移模型，通过训练方法和评估方法的步骤设计，通过训练输入的历史滑坡数据，建立并优化滑坡模型，然后利用滑坡模型评估当前滑坡情况，显示局部区域滑坡趋势和概率，实现对局部区域滑坡预测的功能，提高了预测精度，可应用于局部区域滑坡预测。

Description

一种局部区域滑坡预测装置及方法
技术领域
本发明属于地质灾害预测领域，具体涉及一种滑坡预测技术。
背景技术
滑坡是指斜坡体上的土岩体由于多种因素的影响，在重力的作用下，沿着一定的软弱面或软弱带，整体或部分地顺坡向下滑动的现象。滑坡事件一般会造成严重的经济损失，甚至生命损失。对滑坡的预测是降低滑坡危害的可行方法。滑坡预测方法有很多，有一些采用单独的位移因素监测和预测方法，但是由于滑坡还会受到许多其他因素的影响，所以影响预测准确性；有一些采用GM模型，适用于短期预测，但是在建立长期预测模型时，由于数据列过长，导致不稳定因素增加，使得模型预测准确性降低；有一些采用传统的贝叶斯模型，不能得到稳定的模型，每次数据改变之后需要重新建模；有一些采用Logistic回归，需要将自变量进行离散化近似操作，造成误差，影响预测准确性。现行的滑坡预测方法可以实现预测功能，但是预测准确性普遍不高。
发明内容
本发明的目的在于提供一种局部区域滑坡预测装置及方法，以提高预测准确性。
为了解决上述技术问题，本发明采用现有的机器学习相关技术，包括卷积神经网络技术，监督式策略模型，随机梯度下降法，随机梯度上升法，迁移模型，通过训练方法和评估方法的步骤设计，通过训练输入的历史滑坡数据，建立并优化滑坡模型，然后利用滑坡模型评估当前滑坡情况，显示局部区域滑坡趋势和概率，实现对局部区域滑坡预测的功能，具体技术方案如下：
一种局部区域滑坡预测装置，包括：监测点管理模块、局部区域管理模块、机器学习模块、模型管理模块、评估模块、显示模块；
所述的监测点管理模块与局部区域管理模块连接；
所述的局部区域管理模块与机器学习模块连接；
所述的机器学习模块与模型管理模块连接；
所述的模型管理模块与评估模块连接
所述的评估模块与显示模块连接；
所述的监测点管理模块用于管理滑坡区域的传感器监测点及监测点的监测数据；
所述的机器学习模块学习输入的滑坡数据，提取滑坡特征，发现数据之间的规律联系，建立并优化滑坡模型；
所述的局部区域管理模块用于建立局部区域滑坡类别及管理滑坡区域概率数据；
所述的模型管理模块用于不同区域滑坡优化的模型的管理；
所述的评估模块用于评估每个阶段建立的滑坡模型；
所述的显示模块用于显示传感器监测点，不同区域滑坡趋势和概率等直观信息；
一种局部区域滑坡预测方法其特征在于包括训练过程和评估过程
一种局部区域滑坡预测方法的训练过程如下：
步骤S1：局部区域编号Rem，1≤m≤M，M为局部区域总数，监测点编号Dsn，1≤n≤N，1≤m≤N,N为局部区域的监测点总数，滑坡区域数据集为
Figure BDA0001113482690000011
神经网络总层数为Layer；
步骤S2：初始化神经网络当前层layer＝Layer,m＝1；
步骤S3：k＝m，局部区域Rem的矩阵图训练集
Figure BDA0001113482690000021
Sm代表监测点的传感器数据集映射为k×k的矩阵图训练集，局部区域Rem监测点传感器数据集在训练过程中各个时间节点为tπ,1≤tπ≤T，T为该局部区域训练总时间。局部区域滑坡Rem的滑坡概率为Pm；
步骤S4：初始化i＝I,j＝J；I为选取特征图数量上限，J为选取数据维数上限；
步骤S5：在k×k的矩阵图训练集中提取出i个j×j的局部矩阵图训练集{map1,map2,...,mapi},layer层每个神经元需要的权重参数个数为i×j，将所有权值初始化为一个随机数wij＝Random(i,j)；
步骤S6：判断当前层是否为卷积层，如果是，转到步骤S7，如果否，转到步骤S8；
步骤S7：通过激活函数计算
Figure BDA0001113482690000022
f(x)为激活函数，在这一步中传入的参数x为
Figure BDA0001113482690000023
Figure BDA0001113482690000024
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA0001113482690000025
为当前层layer神经元对应的权值，Blayer为当前层layer的唯一偏移，当前层layer的神经元与其对应的局部区域矩阵图连接，转到步骤S9。
步骤S8：通过激活函数计算当前层layer输出
Figure BDA0001113482690000026
f(x)为激活函数，在这一步中传入的参数x为
Figure BDA0001113482690000027
Figure BDA0001113482690000028
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA0001113482690000029
为当前layer层神经元对应的权值，Blayer为当前层layer的唯一偏移β为当前层layer的训练参数；
步骤S9：将当前层下移一层，特征图和数据维数各减一，layer＝layer-1，i＝i-1，j＝j-1；
步骤S10：判断是否layer≥1∩i≥1∩j≥1，如果是，转到步骤S5，如果否，转到步骤S11。
步骤S11：光栅化输出向量
Figure BDA00011134826900000210
将各层的输出
Figure BDA00011134826900000211
依次展开排列连接成一个向量；得到局部区域Rem对应的监督策略模型ModelCm(x)；
步骤S12：使用随机梯度下降法，更新监督策略模型ModelCm(f(σ))，σ为更新参数，f(σ)为最大似然函数，选取随机梯度下降法的最大似然函数为：
Figure BDA00011134826900000212
步骤S13：训练当前层layer的迁移模型ModelQm(x)，完全复制监督策略模型ModelCm(f(σ))的数据结构，作为迁移模型ModelQm(g(ρ))的初始化数据结构，初始化参数ρ＝σ。
步骤S14：使用随机梯度上升法更新参数ρ,更新迁移模型ModelQm(g(ρ))，选取随机梯度上升法的最大似然函数为：
Figure BDA00011134826900000213
步骤S15：判断是否1≤m≤M，如果是，转到步骤S3，如果否，转到步骤S16。
步骤S16：训练结束。
一种局部区域滑坡预测方法的评估过程如下：
步骤S1：初始化m＝1；
步骤S2：计算局部区域Rem的滑坡趋势值
Figure BDA0001113482690000031
ModelQm(g(ρ))为矩阵图训练集对应的迁移模型，t为当前时刻，
Figure BDA0001113482690000032
反映当前时刻Rem区域的滑坡概率分布情况；
步骤S3：计算局部区域滑坡发展趋势值
Figure BDA0001113482690000033
步骤S4：采用公式
Figure BDA0001113482690000034
更新矩阵图训练集对应的迁移模型ModelQm(g(ρ))，m＝m+1；
步骤S5：判断是否1≤m≤M，如果是，转到步骤S2，如果否，转到步骤S6
步骤S6：显示局部区域滑坡发展趋势；
步骤S7：评估结束。
本发明具有有益效果。
本发明提供的局部区域滑坡预测装置和方法，通过机器学习相关技术，采用训练过程，输入传感器数据集，通过不断的梯度下降和梯度上升过程，得到局部区域的迁移模型，随着更多数据的输入，迁移模型准确率会不断地提高。采用评估过程，通过迁移模型，计算局部区域滑坡发展趋势，提高预测准确率，采用显示模块展示所有局部区域滑坡发展趋势，便于工作人员及时安排相关工作。
附图说明
图1是本发明装置的总体结构示意图。
图中：1-监测点管理模块，2-局部区域管理模块，3-机器学习模块，4-模型管理模块，5-评估模块，6-显示模块。
图2是本发明方法的训练方法流程图。
图3是本发明方法的检测方法流程图。
图4是实施例一局部区域界面图。
图5是实施例一局部区域滑坡预测界面图。
图6是实施例二局部区域界面图。
图7是实施例二局部区域滑坡预测界面图。
图8是实施例三局部区域界面图。
图9是实施例三局部区域滑坡预测界面图。
具体实施例
下面结合附图和具体实施方式对本发明作进一步详细地说明。
由图1所示的一种局部区域滑坡预测装置的总体结构示意图可知，它包括1-监测点管理模块，2-局部区域管理模块，3-机器学习模块，4-模型管理模块，5-评估模块，6-显示模块；
所述的监测点管理模块1与局部区域管理模块2连接；
所述的局部区域管理模块2与机器学习模块3连接；
所述的机器学习模块3与模型管理模块4连接；
所述的模型管理模块4与评估模块5连接
所述的评估模块5与显示模块6连接。本发明在使用时，各部件的功能描述如下：
所述的监测点管理模块1用于管理滑坡区域的传感器监测点及监测点的监测数据；
所述的机器学习模块2学习输入的滑坡数据和图片，提取滑坡特征，为建立滑坡模型做准备；
所述的局部区域管理模块3用于建立局部区域滑坡类别的及数据等的管理；
所述的模型管理模块4用于模型的管理；
所述的评估模块5用于评估滑坡趋势；
所述的显示模块6用于标示不同区域滑坡程度。
本发明的训练流程由图2所示。本发明的检测流程由图3所示。
实施例1：丘陵地区易滑坡区域
整个区域的检测节点布局界面图由图4所示。
训练过程如下：
步骤S1：局部区域编号Rem，1≤m≤M，M＝12为局部区域总数，监测点编号Dsn，1≤n≤N，1≤m≤N,N＝50为局部区域的监测点总数，滑坡区域数据集为
Figure BDA0001113482690000041
神经网络总层数为Layer＝15；
步骤S2：初始化神经网络当前层为layer＝Layer,m＝1；
步骤S3：k＝m，局部区域Rem的矩阵图训练集
Figure BDA0001113482690000042
Sm代表监测点的传感器数据集映射为k×k的矩阵图训练集，局部区域Rem监测点传感器数据集在训练过程中各个时间节点为tπ,1≤tπ≤T，T为该局部区域训练总时间。局部区域滑坡Rem的滑坡概率为Pm；
步骤S4：初始化i＝I,j＝J,I＝5,J＝4；I为选取特征图数量上限，J为选取数据维数上限；
步骤S5：在k×k的矩阵图训练集中提取出i个j×j的局部矩阵图训练集{map1,map2,...,mapi},layer层每个神经元需要的权重参数个数为i×j，将所有权值初始化为一个随机数wij＝Random(i,j)；
步骤S6：判断当前层是否为卷积层，如果是，转到步骤S7，如果否，转到步骤S8；
步骤S7：通过激活函数计算
Figure BDA0001113482690000043
f(x)为激活函数，采用sigmoid函数
Figure BDA0001113482690000044
在这一步中传入的参数x为
Figure BDA0001113482690000045
Figure BDA0001113482690000046
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA0001113482690000047
为当前层layer神经元对应的权值，Blayer为当前层layer的唯一偏移，当前层layer的神经元与其对应的局部区域矩阵图连接，转到步骤S9。
步骤S8：通过激活函数计算当前层layer输出
Figure BDA0001113482690000048
f(x)为激活函数，采用sigmoid函数
Figure BDA0001113482690000049
在这一步中传入的参数x为
Figure BDA00011134826900000410
Figure BDA00011134826900000411
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA00011134826900000412
为当前层layer神经元对应的权值，Blayer为当前层layer的唯一偏移β为当前层layer的训练参数；
步骤S9：将当前层下移一层，特征图和数据维数各减一，layer＝layer-1，i＝i-1，j＝j-1；
步骤S10：判断是否layer≥1∩i≥1∩j≥1，如果是，转到步骤S5，如果否，转到步骤S11。
步骤S11：光栅化输出向量
Figure BDA0001113482690000051
将各层的输出
Figure BDA0001113482690000052
依次展开排列连接成一个向量；得到局部区域Rem对应的监督策略模型ModelCm(x)；
步骤S12：使用随机梯度下降法，更新监督策略模型ModelCm(f(σ))，σ为更新参数，f(σ)为最大似然函数，选取随机梯度下降法的最大似然函数为：
Figure BDA0001113482690000053
步骤S13：训练layer层的迁移模型ModelQm(x)，完全复制监督策略模型ModelCm(f(σ))的数据结构，作为迁移模型ModelQm(g(ρ))的初始化数据结构，初始化参数ρ＝σ。
步骤S14：使用随机梯度上升法更新参数ρ,更新迁移模型ModelQm(g(ρ))，选取随机梯度上升法的最大似然函数为：
Figure BDA0001113482690000054
步骤S15：判断是否1≤m≤M，如果是，转到步骤S3，如果否，转到步骤S16。
步骤S16：训练结束
评估过程如下：
步骤一，：初始化m＝1；
步骤二，：计算局部区域Rem的滑坡趋势值
Figure BDA0001113482690000055
ModelQm(g(ρ))为矩阵图训练集对应的迁移模型，t为当前时刻，
Figure BDA0001113482690000056
反映当前时刻Rem区域的滑坡概率分布情况；
步骤三：计算局部区域滑坡发展趋势值
Figure BDA0001113482690000057
步骤四：采用公式
Figure BDA0001113482690000058
更新矩阵图训练集对应的迁移模型ModelQm(g(ρ))，m＝m+1；
步骤五：判断是否1≤m≤M，如果是，转到步骤二，如果否，转到步骤六
步骤六：显示局部区域滑坡发展趋势，如图5所示为滑坡区域检测界面图；
步骤七：评估结束。
实施例2：居民小区易滑坡区域
整个区域的检测节点布局界面图由图6所示。
训练过程如下：
步骤S1：局部区域编号Rem，1≤m≤M，M＝10为局部区域总数，监测点编号Dsn，1≤n≤N，1≤m≤N,N＝40为局部区域的监测点总数，滑坡区域数据集为
Figure BDA0001113482690000061
神经网络总层数为Layer＝13；
步骤S2：初始化神经网络当前层为layer＝Layer,m＝1；
步骤S3：k＝m，局部区域Rem的矩阵图训练集
Figure BDA0001113482690000062
Sm代表监测点的传感器数据集映射为k×k的矩阵图训练集，局部区域Rem监测点传感器数据集在训练过程中各个时间节点为tπ,1≤tπ≤T，T为该局部区域训练总时间。局部区域滑坡Rem的滑坡概率为Pm；
步骤S4：初始化i＝I,j＝J,I＝4,J＝4；I为选取特征图数量上限，J为选取数据维数上限；
步骤S5：在k×k的矩阵图训练集中提取出i个j×j的局部矩阵图训练集{map1,map2,...,mapi},layer层每个神经元需要的权重参数个数为i×j，将所有权值初始化为一个随机数wij＝Random(i,j)；
步骤S6：判断当前层是否为卷积层，如果是，转到步骤S7，如果否，转到步骤S8；
步骤S7：通过激活函数计算
Figure BDA0001113482690000063
f(x)为激活函数，采用ArcTan函数f(x)＝tan-1(x)，在这一步中传入的参数x为
Figure BDA0001113482690000064
Figure BDA0001113482690000065
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA0001113482690000066
为当前层layer神经元对应的权值，Blayer为当前层layer的唯一偏移，当前层layer的神经元与其对应的局部区域矩阵图连接，转到步骤S9。
步骤S8：通过激活函数计算layer层输出
Figure BDA0001113482690000067
f(x)为激活函数，采用ArcTan函数f(x)＝tan-1(x)，在这一步中传入的参数x为
Figure BDA0001113482690000068
Figure BDA0001113482690000069
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA00011134826900000610
为当前层layer神经元对应的权值，Blayer为当前层layer的唯一偏移β为当前层layer的训练参数；
步骤S9：将当前层下移一层，特征图和数据维数各减一，layer＝layer-1，i＝i-1，j＝j-1；
步骤S10：判断是否layer≥1∩i≥1∩j≥1，如果是，转到步骤S5，如果否，转到步骤S11。
步骤S11：光栅化输出向量
Figure BDA00011134826900000611
将各层的输出
Figure BDA00011134826900000612
依次展开排列连接成一个向量；得到局部区域Rem对应的监督策略模型ModelCm(x)；
步骤S12：使用随机梯度下降法，更新监督策略模型ModelCm(f(σ))，σ为更新参数，f(σ)为最大似然函数，选取随机梯度下降法的最大似然函数为：
Figure BDA00011134826900000613
步骤S13：训练layer层的迁移模型ModelQm(x)，完全复制监督策略模型ModelCm(f(σ))的数据结构，作为迁移模型ModelQm(g(ρ))的初始化数据结构，初始化参数ρ＝σ。
步骤S14：使用随机梯度上升法更新参数ρ,更新迁移模型ModelQm(g(ρ))，选取随机梯度上升法的最大似然函数为：
Figure BDA0001113482690000071
步骤S15：判断是否1≤m≤M，如果是，转到步骤S3，如果否，转到步骤S16。
步骤S16：训练结束
评估过程如下：
步骤一：初始化m＝1；
步骤二：计算局部区域Rem的滑坡趋势值
Figure BDA0001113482690000072
ModelQm(g(ρ))为矩阵图训练集对应的迁移模型，t为当前时刻，
Figure BDA0001113482690000073
反映当前时刻Rem区域的滑坡概率分布情况；
步骤三：计算局部区域滑坡发展趋势值
Figure BDA0001113482690000074
步骤四：采用公式
Figure BDA0001113482690000075
更新矩阵图训练集对应的迁移模型ModelQm(g(ρ))，m＝m+1；
步骤五：判断是否1≤m≤M，如果是，转到步骤二，如果否，转到步骤六
步骤六：显示局部区域滑坡发展趋势，如图7所示为滑坡区域检测界面图；
步骤七：评估结束。
实施例3：沿江地区易滑坡区域
整个区域的检测节点布局界面图由图8所示。
训练过程如下：
步骤S1：局部区域编号Rem，1≤m≤M，M＝18为局部区域总数，监测点编号Dsn，1≤n≤N，1≤m≤N,N＝45为局部区域的监测点总数，滑坡区域数据集为
Figure BDA0001113482690000076
神经网络总层数为Layer＝20；
步骤S2：初始化神经网络当前层为layer＝Layer,m＝1；
步骤S3：k＝m，局部区域Rem的矩阵图训练集
Figure BDA0001113482690000077
Sm代表监测点的传感器数据集映射为k×k的矩阵图训练集，局部区域Rem监测点传感器数据集在训练过程中各个时间节点为tπ,1≤tπ≤T，T为该局部区域训练总时间。局部区域滑坡Rem的滑坡概率为Pm；
步骤S4：初始化i＝I,j＝J,I＝6,J＝5；I为选取特征图数量上限，J为选取数据维数上限；
步骤S5：在k×k的矩阵图训练集中提取出i个j×j的局部矩阵图训练集{map1,map2,...,mapi},layer层每个神经元需要的权重参数个数为i×j，将所有权值初始化为一个随机数wij＝Random(i,j)；
步骤S6：判断当前层是否为卷积层，如果是，转到步骤S7，如果否，转到步骤S8；
步骤S7：通过激活函数计算
Figure BDA0001113482690000081
f(x)为激活函数，采用SoftPlus函数f(x)＝loge(1+ex)，在这一步中传入的参数x为
Figure BDA0001113482690000082
Figure BDA0001113482690000083
为第layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA0001113482690000084
为当前layer层神经元对应的权值，Blayer为当前层layer的唯一偏移，当前层layer的神经元与其对应的局部区域矩阵图连接，转到步骤S9。
步骤S8：通过激活函数计算当前层layer输出
Figure BDA0001113482690000085
f(x)为激活函数，采用SoftPlus函数f(x)＝loge(1+ex)，在这一步中传入的参数x为
Figure BDA0001113482690000086
Figure BDA0001113482690000087
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure BDA0001113482690000088
为当前层layer神经元对应的权值，Blayer为当前层layer的唯一偏移β为当前层layer的训练参数；
步骤S9：将当前层下移一层，特征图和数据维数各减一，layer＝layer-1，i＝i-1，j＝j-1；
步骤S10：判断是否layer≥1∩i≥1∩j≥1，如果是，转到步骤S5，如果否，转到步骤S11。
步骤S11：光栅化输出向量
Figure BDA0001113482690000089
将各层的输出
Figure BDA00011134826900000810
依次展开排列连接成一个向量；得到局部区域Rem对应的监督策略模型ModelCm(x)；
步骤S12：使用随机梯度下降法，更新监督策略模型ModelCm(f(σ))，σ为更新参数，f(σ)为最大似然函数，选取随机梯度下降法的最大似然函数为：
Figure BDA00011134826900000811
步骤S13：训练layer层的迁移模型ModelQm(x)，完全复制监督策略模型ModelCm(f(σ))的数据结构，作为迁移模型ModelQm(g(ρ))的初始化数据结构，初始化参数ρ＝σ。
步骤S14：使用随机梯度上升法更新参数ρ,更新迁移模型ModelQm(g(ρ))，选取随机梯度上升法的最大似然函数为：
Figure BDA00011134826900000812
步骤S15：判断是否1≤m≤M，如果是，转到步骤S3，如果否，转到步骤S16。
步骤S16：训练结束
评估过程如下：
步骤一：初始化m＝1；
步骤二：计算局部区域Rem的滑坡趋势值
Figure BDA00011134826900000813
ModelQm(g(ρ))为矩阵图训练集对应的迁移模型，t为当前时刻，
Figure BDA00011134826900000814
反映当前时刻Rem区域的滑坡概率分布情况；
步骤三：计算局部区域滑坡发展趋势值
Figure BDA0001113482690000091
步骤四：采用公式
Figure BDA0001113482690000092
更新矩阵图训练集对应的迁移模型ModelQm(g(ρ))，m＝m+1；
步骤五：判断是否1≤m≤M，如果是，转到步骤二，如果否，转到步骤六
步骤六：显示局部区域滑坡发展趋势，如图9所示为滑坡区域检测界面图；
步骤七：评估结束。

Claims (1)

1.一种局部区域滑坡预测方法，其特征在于包括训练过程和评估过程；
所述训练过程包括以下步骤：
步骤S1：局部区域编号Rem，1≤m≤M，M为局部区域总数，监测点编号Dsn，1≤n≤N，1≤m≤N，N为局部区域的监测点总数，滑坡区域数据集为
Figure FFW0000021911470000011
神经网络总层数为Layer；
步骤S2：初始化神经网络当前层layer为layer＝Layer，m＝1；
步骤S3：k＝m，局部区域Rem的矩阵图训练集
Figure FFW0000021911470000012
Sm代表监测点的传感器数据集映射为k×k的矩阵图训练集，局部区域Rem监测点传感器数据集在训练过程中各个时间节点为tπ，1≤tπ≤T，T为该局部区域训练总时间；局部区域滑坡Rem的滑坡概率为Pm；
步骤S4：初始化i＝I，j＝J；I为选取特征图数量上限，J为选取数据维数上限；
步骤S5：在k×k的矩阵图训练集中提取出i个j×j的局部矩阵图训练集{map1，map2，...，mapi}，layer层每个神经元需要的权重参数个数为i×j，将所有权值初始化为一个随机数wij＝Random(i，j)；步骤S6：判断当前层是否为卷积层，如果是，转到步骤S7，如果否，转到步骤S8；
步骤S7：通过激活函数计算
Figure FFW0000021911470000013
f(x)为激活函数，在这一步中传入的参数x为
Figure FFW0000021911470000014
为第layer-1层第i个特征图mapi对应的第j维数据，
Figure FFW0000021911470000015
为当前层layer神经元对应的权值，Blayer为当前层layer的唯一偏移，当前层layer的神经元与其对应的局部区域矩阵图连接，转到步骤S9；
步骤S8：通过激活函数计算当前层layer的输出
Figure FFW0000021911470000016
f(x)为激活函数，在这一步中传入的参数x为
Figure FFW0000021911470000017
为当前层layer-1层第i个特征图mapi对应的第j维数据，
Figure FFW0000021911470000018
为当前层layer的神经元对应的权值，Blayer为当前层layer的唯一偏移，β为当前层layer的训练参数；
步骤S9：将当前层下移一层，特征图和数据维数各减一，layer＝layer-1，i＝i-1，j＝j-1；
步骤S10：判断是否layer≥1∩i≥1∩j≥1，如果是，转到步骤S5，如果否，转到步骤S11；
步骤S11：光栅化输出向量
Figure FFW0000021911470000019
将各层的输出
Figure FFW00000219114700000110
依次展开排列连接成一个向量；得到局部区域Rem对应的监督策略模型ModelCm(x)；
步骤S12：使用随机梯度下降法，更新监督策略模型ModelCm(f(σ))，σ为更新参数，f(σ)为最大似然函数，选取随机梯度下降法的最大似然函数为：
Figure FFW0000021911470000021
步骤S13：训练当前层layer的迁移模型ModelQm(x)，完全复制监督策略模型ModelCm(f(σ))的数据结构，作为迁移模型ModelQm(g(ρ))的初始化数据结构，初始化参数ρ＝σ；
步骤S14：使用随机梯度上升法更新参数ρ，更新迁移模型ModelQm(g(ρ))，选取随机梯度上升法的最大似然函数为：
Figure FFW0000021911470000022
步骤S15：判断是否有1≤m≤M，如果是，转到步骤S3，如果否，转到步骤S16；
步骤S16：训练结束；
所述评估过程包括以下步骤：
步骤5.1：初始化m＝1；
步骤5.2：计算局部区域Rem的滑坡趋势值
Figure FFW0000021911470000023
ModelQm(g(ρ))为矩阵图训练集对应的迁移模型，t为当前时刻，
Figure FFW0000021911470000024
反映当前时刻Rem区域的滑坡概率分布情况；
步骤5.3：计算局部区域滑坡发展趋势值
Figure FFW0000021911470000025
步骤5.4：采用公式
Figure FFW0000021911470000026
更新矩阵图训练集对应的迁移模型ModelQm(g(ρ))，m＝m+1；
步骤5.5：判断是否1≤m≤M，如果是，转到步骤5.2，如果否，转到步骤5.6
步骤5.6：显示局部区域滑坡发展趋势；
步骤5.7：评估结束。
CN201610821271.2A 2016-09-13 2016-09-13 一种局部区域滑坡预测装置及方法 Active CN106408120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610821271.2A CN106408120B (zh) 2016-09-13 2016-09-13 一种局部区域滑坡预测装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610821271.2A CN106408120B (zh) 2016-09-13 2016-09-13 一种局部区域滑坡预测装置及方法

Publications (2)

Publication Number Publication Date
CN106408120A CN106408120A (zh) 2017-02-15
CN106408120B true CN106408120B (zh) 2021-03-23

Family

ID=58000116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610821271.2A Active CN106408120B (zh) 2016-09-13 2016-09-13 一种局部区域滑坡预测装置及方法

Country Status (1)

Country Link
CN (1) CN106408120B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
CN109118001A (zh) * 2018-08-09 2019-01-01 成都天地量子科技有限公司 一种基于卫星遥感数据的山火监测方法和系统
CN109992847B (zh) * 2019-03-14 2022-08-05 桂林电子科技大学 一种混合机器学习模型的滑坡位移预测方法
CN110008301B (zh) * 2019-04-12 2021-07-02 杭州鲁尔物联科技有限公司 基于机器学习的区域性地质灾害易发性预测方法及装置
CN112966722A (zh) * 2021-02-07 2021-06-15 南昌大学 基于半监督随机森林模型的区域滑坡易发性预测方法
CN113065455B (zh) * 2021-03-30 2021-09-17 中国水利水电科学研究院 一种基于深度学习的滑坡风险巡检方法及系统
CN116307270B (zh) * 2023-05-16 2023-08-22 南京信息工程大学 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951836A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 基于神经网络技术的发帖预测系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634459A (zh) * 2009-08-24 2010-01-27 陶晓鹏 火力发电锅炉智能燃烧优化系统及其实现方法
US9235208B2 (en) * 2011-07-19 2016-01-12 GE Intelligent Platforms, Inc System of sequential kernel regression modeling for forecasting financial data
CN103226741B (zh) * 2013-05-10 2016-04-06 天津大学 城市供水管网爆管预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951836A (zh) * 2014-03-25 2015-09-30 上海市玻森数据科技有限公司 基于神经网络技术的发帖预测系统

Also Published As

Publication number Publication date
CN106408120A (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN106408120B (zh) 一种局部区域滑坡预测装置及方法
Xu et al. Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及系统
CN108900546A (zh) 基于lstm的时间序列网络异常检测的方法与装置
CN109376913A (zh) 降水量的预测方法及装置
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
CN105427138A (zh) 基于神经网络模型的产品市场占有率分析方法及系统
CN107480341A (zh) 一种基于深度学习的大坝安全综合评判方法
CN108171209A (zh) 一种基于卷积神经网络进行度量学习的人脸年龄估计方法
US20170228644A1 (en) Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu
CN106529820A (zh) 一种运营指标的预测方法及系统
CN107909206A (zh) 一种基于深层结构循环神经网络的pm2.5预测方法
CN114912705A (zh) 一种联邦学习中异质模型融合的优化方法
CN109523021A (zh) 一种基于长短时记忆网络的动态网络结构预测方法
Muduli et al. CPT-based probabilistic evaluation of seismic soil liquefaction potential using multi-gene genetic programming
CN109885977A (zh) 一种岸坡变形预测方法
CN108805195A (zh) 一种基于二值深层神经网络的电机群故障诊断方法
CN114266278A (zh) 一种基于双重注意力网络的设备剩余使用寿命预测方法
CN113779882A (zh) 设备剩余使用寿命的预测方法、装置、设备及存储介质
CN113722997A (zh) 一种基于静态油气田数据的新井动态产量预测方法
Shiri et al. Forecasting daily stream flows using artificial intelligence approaches
CN112434390A (zh) 基于多层网格搜索的pca-lstm轴承剩余寿命预测方法
CN109145373A (zh) 基于改进esgp与预测区间的剩余寿命预测方法及装置
CN108768750A (zh) 通信网络故障定位方法及装置
Seidu et al. Impact of data partitioning in groundwater level prediction using artificial neural network for multiple wells

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant