CN106815971A - 一种基于rbf神经网络的滑坡灾害预报方法 - Google Patents

Abstract

本发明公开了一种基于RBF神经网络的滑坡灾害预报方法，构建滑坡灾害在线监测预报系统，并进行实时监测得到成灾因子数据，通过MIV算法筛选后将实时监测得到的成灾因子数据作为输入变量；建立基于FBR神经网络的滑坡预报模型；将成灾因子数据输入到滑坡预报模型中，由预报模型对输入的成灾因子数据进行处理，完成对滑坡灾害成灾概率的预测及预报。本发明基于RBF神经网络的滑坡灾害预报方法，在数据表示方式上能够消除输入数据中与学习任务无关因素的改变对学习性能的影响，同时保留学习任务中有用的信息；将其应用在滑坡灾害预报上，能更加准确的判断滑坡成灾几率。

Description

一种基于RBF神经网络的滑坡灾害预报方法

技术领域

本发明属于地质灾害预报方法技术领域，具体涉及一种基于RBF神经网络的滑坡灾害预报方法。

背景技术

滑坡不仅是一种自然灾害，同时也是一种严重的工程地质灾害。近几年来重大地质灾害频繁发生，常造成房屋破坏、通讯设施中断，道路崩塌、毁坏土地，乃至村毁人亡的事故。且事故常发生在地质结构复杂、地形陡峭的山区，对于预防的实施、灾后恢复的时间将被延长，造成居民生活不便，其规模和风险性大大超过了我们所能承受的范围。因此如何使用技术手段进行监测预报，进行实时提示受灾群众，减少灾害损失，成为我们关注的主要内容。

现有的滑坡灾害预报方法有很多，其中涉及多个阶段时期，如：第一阶段，E.Hoek于1969年提出基于滑坡监测时间-位移曲线的外延法，该方法所建立模型简单、可以准确的计算各因素间的相关度与拟合程度的高低，但是建立的经验模式具有一定前提条件，属于概率推断算法，预测精度不高，存在一定限制；第二阶段，陈明东、王兰生等基于灰色系统理论研究，采用滤波灰色分析法对滑坡进行预测，建立GM预测模型，该方法虽然较统计方法需要的原始数据较少，但其拟合预测距实测值偏差较大，由于灰导数等概念引入白化微分方程，使得预测精度不高；第三阶段，神经网络被众多学者提出并应用，尤其BP网络(Back-Propagation Network)和径向基函数(Radial basis function，RBF)在地质灾害应用中脱颖而出。但BP在网络训练时，收敛速度过慢，训练时间过长，主要存在易限于局部极小值等问题，而采用局部激励函数的RBF网络在很大程度上克服了上述缺点，网络中的spread参数影响最终的预测精度，从根本上解决了BP网络的局部最优问题，并比较概率推算算法和GM预测模型，其精度及训练速度较快，更加适合滑坡灾害预测模型建立。

神经网络算法具有良好的容错能力、并行处理能力和自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题，而且运行速度快、自适应性能好、具有较高的分辨率，尤其是权值共享网络使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。采用神经网络算法，避免了传统识别算法中复杂的特征提取和数据重建过程。

发明内容

本发明的目的是提供一种基于RBF神经网络的滑坡灾害预报方法，解决了BP在网络训练时，收敛速度过慢，训练时间过长的问题。

本发明所采用的技术方案是，一种基于RBF神经网络的滑坡灾害预报方法，具体按照以下步骤实施：

步骤1，构建滑坡灾害在线监测预报系统，并进行实时监测得到成灾因子数据，通过MIV算法筛选后将实时监测得到的成灾因子数据作为输入变量；

步骤2，建立基于FBR神经网络的滑坡预报模型；

步骤3，将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中，由预报模型对输入的成灾因子数据进行处理，完成对滑坡灾害成灾概率的预测及预报。

本发明的特点还在于，

步骤1中滑坡灾害在线监测预报系统的结构为：包括多个无线智能传感器模块和现场预报终端模块，多个无线智能传感器模块分别与现场预报终端模块通过ZigBee模块进行通讯连接，现场预报终端模块通过GPRS通讯方式与控制中心连接。

现场预报终端模块包括中央处理器和分别与中央处理器连接的电源模块、存储模块及GPRS模块，GPRS模块与控制中心通过GPRS通讯方式连接。

无线智能传感器模块包括监测分机和与监测分机连接的传感器采集模块，GPRS模块与监测分机模块通过ZigBee模块进行通讯连接。

步骤1中MIV算法筛选的具体过程为：

(1)：将传感器采集模块中监测的数据矩阵P在基础上加、减10％变成新的样本数据矩阵P1，P2；

(2)：使用拉格朗日插值法对P1，P2中每个数据进行计算得出对应的结果L1，L2：

其中，x_k表示均值，x_i表示变量；

(3)：对L1和L2通过MATLAB进行仿真，得到MIV值，得出输入量变量相对重要性排序。

步骤2中滑坡预报模型建立的具体方法为：

1)确定输入输出及隐含层，其基本结构分为三层，输入量为x1＝土壤含水率，x2＝降雨量，x3＝孔隙水压力，x4＝裂缝位移，x5＝次声频率；输出量Y＝成灾概率；

隐含层节点即RBF节点通常由常见的高斯核函数构成，

其中，x是n维输入向量；径向基神经元节点数为r，ci个基函数中心，围绕中心点的宽度由δ_i决定，第i个感知向量；m是单元个数，||x-c_i||表示x与ci的距离；

径向基神经元利用径向基函数，网络结构上包括两层神经元，第一层是隐含的径向基层，第二层是输出线性层，首个神经元层的输出显示如式(3)：

a{1}＝radbas(netprod(dist(net,IW{1,1},p),net,b{1})) (3)

每一个神经元的输入向量和它的权值向量的距离是其加权值输入，这个距离使用||dist||来计算，Netprod表示偏差的值加上输入向量与权值向量对应元素乘积之和，每个神经元||dist||的输出都经过径向基传递函数radbas处理，得到最后输出结果；

2)径向基神经元采用聚类的工作原理，每个数据点都可能成为聚类中心，所以聚类点x_i处的密度指标定义为：

其中，r是一个正数，若想使得具有高密度值，则需要一个数据点具有多个邻近点即可，r表示邻域外各点对该点的密度指标贡献的大小；

选择具有最高密度指标的数据点为第一个聚类中心，令x_ci为选中的点，D_ci为其密度指标，则每个数据点的密度指标表示：

其中σ为一正数，常数σ经常大于r，来避免出现聚类中心较靠近的情况，选σ＝1.5r，此方法为减法聚类法；

径向基函数利用此方法获得径向基函数的中心，然后计算出径向基函数的输出，在MATLAB工具箱中设置b与σ之间的关系如下：

计算结果带回式(2)、(3)中，可得||x-c_i||＝σ时，a{out}＝0.5；由此可见当b＝0.8236/σ时，对于任意给定的值σ，在神经元的加权输入的±σ处输出为0.5，通过调整σ值，从而调整了径向基函数宽度；

3)利用Matlab7.0构建滑坡的RBF网络预测模型：

net＝newrb(P,T,goal,spread,MN,DF)

P：输入向量；

T：输出向量；

goal：均方误差；

MN：最大径向基函数神经元数目；

DF：两次显示间隔内递增的神经元数目；

net：更新了权值和阈值的神经网络；

spread：径向基神经元层散布常数；

网络仿真函数为sim，其调用格式为：Y＝sim(net,P)，其中(goal＝0,spread＝1,MN＝30,DF＝3)；

构造语句：net＝newrb(P,T,0,1,30,3)；

对于隐藏层S型函数选用正切S型传递函数tansig，输出层采用线性传递函数purelin函数，学习算法选用梯度下降w/自适应lr的traingda函数，网络构造语句如下：

net＝newff(minmax(p),[4,1],{'tansig','purelin'},'traingda')；

其中的重要训练参数设置如下：

net.trainParam.show＝20；(显示迭代过程)

net.trainParam.lr＝0.05；(学习速率)

net.trainParam.epoch＝1000；(最大训练次数)

net.trainParam.goal＝0.001；(目标误差)

net.trainParam.mc＝0.95；(动量因子)。

步骤3中将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中进行训练；第一步采用非监督式的学习训练RBF层神经元的权值，第二步采用监督式学习训练线性输出层神经元的权值，训练仍然需要给出的输入、输出向量矩阵及神经元的伸展常数σ，训练的目的是求得神经元之间的权值w^H、w^O及偏差b^H、b^O；

具体过程为：

设隐含层有M个神经元，当隐含层神经元权值w^H确定后，则神经元的输出为：

由于RBF神经网络的学习属于有监督学习，那么神经网络权系数的学习问题就转化成多元线性函数求极值的问题，因此，选择递推最小二乘法构造目标函数如下所示：

按照负梯度方向调整权系数，即

使得偏导数为零，得出权值；

阀值改变量ΔB_k(n)具体按照以下算法经计算获得：

在式(10)中：a为迭代层数，N为输入变量个数，n为迭代层数，δ_k为节点j的误差项；

更新后的阀值B_k(n+1)具体按照以下算法经计算获得：

B_k(n+1)＝B_k(n)+ΔB_k(n) (11)

于是不断重复公式(7)-(11)计算权值阈值并不断更新从而得到最佳调整权值；

最后根据不断迭代得到网络最后输出关系：

本发明的有益效果是，

(1)使用滑坡灾害在线监测预报系统，得到实施监测数据，增加了系统的及时性；通过MIV算法筛选滑坡灾害成灾的主要因子，从而有助于此类灾难预测在时间紧迫的情况下，收集主要影响数据，提高预测的精确性且节省了大量时间；

(2)针对滑坡灾害突发性和非线性的特点，对RBF神经网络滑坡预报模型进行建立，在弥补人工神经网络训练不足的同时，能更准确判断滑坡灾害预报发生的概率，进行在线实时监测，从而进行预报分析，大大地较少了灾害损失。

综上所述，与现有的方法相比：本发明基于RBF神经网络的滑坡灾害预报方法，在数据表示方式上能够消除输入数据中与学习任务无关因素的改变对学习性能的影响，同时保留学习任务中有用的信息；将其应用在滑坡灾害预报上，能更加准确的判断滑坡成灾几率。

附图说明

图1是本发明基于RBF神经网络的滑坡灾害预报方法中采用的滑坡灾害在线预报系统的结构示意图；

图2是本发明基于RBF神经网络的滑坡灾害预报方法中涉及的RBF神经网络的结构图；

图3是实施例1中涉及的滑坡RBF神经网络模型训练性能图；

图4是实例1中涉及的训练窗口网络运行相关数据显示图；

图5是实例1中涉及的测试样本数据拟合曲线。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于RBF神经网络的滑坡灾害预报方法，具体按照以下步骤实施：

步骤1，构建滑坡灾害在线监测预报系统，并进行实时监测得到成灾因子数据，通过MIV算法筛选后将实时监测得到的成灾因子数据作为输入变量；

其中图1中滑坡灾害在线监测预报系统的结构为：包括多个无线智能传感器模块和现场预报终端模块，多个无线智能传感器模块分别与现场预报终端模块通过ZigBee模块进行通讯连接，现场预报终端模块通过GPRS通讯方式与控制中心连接。

现场预报终端模块包括中央处理器和分别与中央处理器连接的电源模块、存储模块及GPRS模块，GPRS模块与控制中心通过GPRS通讯方式连接；无线智能传感器模块包括监测分机和与监测分机连接的传感器采集模块，GPRS模块与监测分机模块通过ZigBee模块进行通讯连接。中央处理器使用芯片的型号为STM32407，监测分机使用芯片的信号为MSP430。

现场预报终端模块是将各个无线智能传感器模块的数据进行汇总，判断其是否达到预报阀值，并将数据统一处理并打包传输给控制中心(PC端)。预报终端各模块的主要作用是：电源模块负责对中央处理器进行供电；存储模块负责存储各参数的报警阈值以及接收到的各无线传感器发送的数据；GPRS模块负责预报终端与中央处理器之间的通讯包括发送监测数据到PC控制中心和接收控制中心的命令。

无线智能传感器模块主要将传感器采集模块采集到的数据进行标准化处理，并将其通过无线通讯ZigBee模块将数据传送给现场预报终端模块，并将实时监测得到的数据作为模型输入变量。无线智能传感器各模块的主要功能：传感器采集模块主要负责采集监测区域环境的降雨量、岩土表面裂缝位移、岩土含水率、孔隙水压力、次声频率等。考虑到野外环境的复杂性，以及救援时间的不确定性，监测分机使用的是低功耗的MSP430控制芯片。

将经无线智能传感器模块得到的测量数据作为输入量，通过MIV算法筛选，从而有助于此类灾难预测在时间紧迫的情况下，收集主要影响数据，从而既快速又准确的得到更为可靠预测结果。

MIV算法筛选的具体过程为：

(1)：将传感器采集模块中监测的数据矩阵P在基础上加、减10％变成新的样本数据矩阵P1，P2；

(2)：使用拉格朗日插值法对P1，P2中每个数据进行计算得出对应的结果L1，L2：

其中，x_k表示均值，x_i表示变量。

(3)：对两个结果L1和L2通过MATLAB进行仿真，得到MIV值，得出输入量变量相对重要性排序。

步骤2，建立基于FBR神经网络的滑坡预报模型；

滑坡预报模型建立的具体方法为：

1)确定输入输出及隐含层，其基本结构如图2所示，结构分为三层，输入量为x1＝土壤含水率，x2＝降雨量，x3＝孔隙水压力，x4＝裂缝位移，x5＝次声频率；输出量Y＝成灾概率。

隐含层节点即RBF节点通常由常见的高斯核函数构成，

其中，x是n维输入向量；径向基神经元节点数为r，ci个基函数中心，围绕中心点的宽度由δ_i决定，第i个感知向量；m是单元个数，||x-c_i||表示x与ci的距离。

简便的线性函数构成了输出节点，而隐含层节点的高斯核函数对于输入数据只在某些局部产生响应，当输入数据接近高斯核函数的中间范围时，隐含层节点产生较大的输出。隐含层和输出层都各自学习，隐含层的学习过程是自组织及自适应的，它的参数取决于输入向量的分布情况。输出层要借助于期望值的输出建立输入输出之间相互关系从而来定参数。

径向基神经元利用径向基函数，网络结构上一般包括两层神经元，第一层是隐含的径向基层，第二层是输出线性层。首个神经元层的输出显示如式(3)：

a{1}＝radbas(netprod(dist(net,IW{1,1},p),net,b{1})) (3)

每一个神经元的输入向量和它的权值向量的距离是其加权值输入，这个距离使用||dist||来计算，Netprod表示偏差的值加上输入向量与权值向量对应元素乘积之和，每个神经元||dist||的输出都经过径向基传递函数radbas处理，得到最后输出结果。

2)径向基神经元采用聚类的工作原理，每个数据点都可能成为聚类中心，所以聚类点x_i处的密度指标定义为：

其中，r是一个正数，若想使得具有高密度值，则需要一个数据点具有多个邻近点即可，r表示邻域外各点对该点的密度指标贡献的大小。

选择具有最高密度指标的数据点为第一个聚类中心，令x_ci为选中的点，D_ci为其密度指标，则每个数据点的密度指标表示：

其中σ为一正数，常数σ经常大于r，来避免出现聚类中心较靠近的情况，一般可选σ＝1.5r，此方法为减法聚类法。

径向基函数利用此方法获得径向基函数的中心，然后计算出径向基函数的输出，在MATLAB工具箱中设置b与σ之间的关系如下：

计算结果带回式(2)、(3)中，可得||x-c_i||＝σ时，a{out}＝0.5；由此可见当b＝0.8236/σ时，对于任意给定的值σ，在神经元的加权输入的±σ处输出为0.5，通过调整σ值，从而调整了径向基函数宽度。

3)利用Matlab7.0构建滑坡的RBF网络预测模型：

net＝newrb(P,T,goal,spread,MN,DF)

P：输入向量；

T：输出向量；

goal：均方误差；

MN：最大径向基函数神经元数目；

DF：两次显示间隔内递增的神经元数目；

net：更新了权值和阈值的神经网络；

spread：径向基神经元层散布常数；

网络仿真函数为sim，其调用格式为：Y＝sim(net,P)，其中(goal＝0,spread＝1,MN＝30,DF＝3)。

构造语句：net＝newrb(P,T,0,1,30,3)；

对于隐藏层S型函数选用正切S型传递函数tansig，输出层采用线性传递函数purelin函数，学习算法选用梯度下降w/自适应lr的traingda函数，网络构造语句如下：

net＝newff(minmax(p),[4,1],{'tansig','purelin'},'traingda')；

其中的重要训练参数设置如下：

net.trainParam.show＝20；(显示迭代过程)

net.trainParam.lr＝0.05；(学习速率)

net.trainParam.epoch＝1000；(最大训练次数)

net.trainParam.goal＝0.001；(目标误差)

net.trainParam.mc＝0.95；(动量因子)。

步骤3，将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中，由预报模型对输入的成灾因子数据进行处理，完成对滑坡灾害成灾概率的预测及预报。

将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中进行训练，由滑坡预报模型结合输入的数据进行不断自学习、自适应；第一步采用非监督式的学习训练RBF层神经元的权值，第二步采用监督式学习训练线性输出层神经元的权值，训练仍然需要给出的输入、输出向量矩阵及神经元的伸展常数σ，训练的目的是求得神经元之间的权值w^H、w^O及偏差b^H、b^O；

具体过程为：

设隐含层有M个神经元，当隐含层神经元权值w^H确定后，则神经元的输出为：

由于RBF神经网络的学习属于有监督学习，那么神经网络权系数的学习问题就可以转化成多元线性函数求极值的问题，因此，选择递推最小二乘法构造目标函数如下所示：

按照负梯度方向调整权系数，即

使得偏导数为零，得出权值；

阀值改变量ΔB_k(n)具体按照以下算法经计算获得：

在式(10)中：a为迭代层数，N为输入变量个数，n为迭代层数，δ_k为节点j的误差项；

更新后的阀值B_k(n+1)具体按照以下算法经计算获得：

B_k(n+1)＝B_k(n)+ΔB_k(n) (11)

于是不断重复公式(7)-(11)计算权值阈值并不断更新从而得到最佳调整权值。

最后根据不断迭代得到网络最后输出关系：

实施例1

1)首先构建滑坡灾害在线监测预报系统，主要包括无线智能传感器模块和现场预报终端模块。通过无线智能传感器模块将传感器采集模块采集到的数据进行标准化处理，并将其通过无线通讯模块将数据传送给预报终端，现场预报终端再将各个智能传感器的数据进行汇总，判断其是否达到预报阀值，并将数据统一处理并打包传输给控制中心(PC端)。并将实时监测得到的数据作为模型输入变量。并且通过MIV算法筛选，筛选出相对于滑坡较重要的成灾因子，从而有助于此类灾难预测在时间紧迫的情况下，收集主要影响数据，从而既快速又准确的得到更为可靠预测结果。

本发明以滑坡的八个因素举例说明，x1＝土壤含水率，x2＝降雨量，x3＝孔隙水压力，x4＝裂缝位移，x5＝次声频率，x6＝人为活动，x7＝岩土性质，x8＝冻融。其中x1，x2，x3，x4，x5分别为本发明被筛选出来的自变量因子，x6，x7，x8被舍弃，选出变量x1，x2，x3，x4，x5作为训练样本。

2)其次通过设置参数及输入输出，利用Matlab7.0构建滑坡的RBF网络预测模型：

net＝newrb(P,T,goal,spread,MN,DF)

使用newrb函数构建径向基神经网络训练结果如图3所示，训练过程中newrb()函数每次循环产生三个神经元，每增加一个径向神经元都能最大程度降低误差，如果没有达到精度要求就会继续增加，可以看出经过9步达到要求。

3)搭建好模型之后，将表1中数据带入网络模型进行训练，对于隐藏层S型函数选用正切S型传递函数tansig，输出层采用线性传递函数purelin函数，学习算法选用梯度下降w/自适应lr的traingda函数，网络构造语句如下：

net＝newff(minmax(p),[4,1],{'tansig','purelin'},'traingda')；

由滑坡预报模型结合输入的数据进行不断自学习、自适应，第一步采用非监督式的学习训练RBF层神经元的权值，第二步采用监督式学习训练线性输出层神经元的权值，训练仍然需要给出的输入、输出向量矩阵及神经元的伸展常数σ。训练的目的是求得神经元之间的权值w^H、w^O及偏差b^H、b^O。不断重复公式8-11计算权值阈值并不断更新从而可以得到最佳调整权值。

最后根据不断迭代得到网络最后输出关系：

表1滑坡样本数据表

编号
						1	0.06	25.50	25.32	0.20	0.6
2	0.08	30.20	28.80	0.25	2.6
						3	0.09	38.30	29.50	0.28	2.9
4	0.12	45.60	31.40	0.32	4.2
						5	0.17	49.50	34.60	0.36	4.6
6	0.20	55.50	36.45	0.43	4.7
						7	0.26	66.70	38.85	0.47	5.8
8	0.29	75.50	40.40	0.60	5.9
						9	0.35	80.95	44.56	0.65	6.5
10	0.38	95.50	38.98	0.78	7.6

程序选用BP网络进行训练，网络结构训练结果如图4所示，调用train函数对网络进行训练，可以得出一系列的图及窗口，窗口给出了网络的结构示意、训练采用的算法、误差性能函数以及训练过程的动态显示。迭代次数默认为1000，可以看到，经过453次迭代，网络就完成了训练，达到先前设定的目标。图4中虚线为目标误差，实线为误差实际变化曲线，误差迭代渐渐趋于设置的目标值。

获取四组测试样本数据，这四组测试样本数据包括x1＝土壤含水率，x2＝降雨量，x3＝孔隙水压力，x4＝裂缝位移，x5＝次声频率，数据采集状况如表2具体如表所示：

表2测试数据

编号
						1	0.07	29.33	26.75	0.23	1.5
2	0.36	84.56	36.89	0.69	7.4
						3	0.24	60.56	37.56	0.44	8.9
4	0.15	46.23	32.48	0.34	2.7

将测试数据代入滑坡预报模型中进行仿真实验，图5显示出输出与期望之间拟合程度的关系，得出测试数据预测结果：

成灾概率Y＝{0.0197 0.6258 0.3322 0.1690}；将预测结果与之前原始数据进行对比，并结合表3量化后的预报等级分别为Ⅰ级蓝色、IV级红色、Ⅲ级橙色、Ⅱ级黄色，在一定误差范围内结果非常类似，仿真比较成功。

表3预警等级划分

本发明采用局部激励函数的RBF网络建模，并结合MIV算法进行滑坡灾害成因因子的筛选，提高了预测精度，缩短了训练的时间，从根本上解决了BP网络的局部最优问题。

Claims (7)

1.一种基于RBF神经网络的滑坡灾害预报方法，其特征在于，具体按照以下步骤实施：

步骤1，构建滑坡灾害在线监测预报系统，并进行实时监测得到成灾因子数据，通过MIV算法筛选后将实时监测得到的成灾因子数据作为输入变量；

步骤2，建立基于FBR神经网络的滑坡预报模型；

步骤3，将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中，由预报模型对输入的成灾因子数据进行处理，完成对滑坡灾害成灾概率的预测及预报。

2.根据权利要求1所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，步骤1中滑坡灾害在线监测预报系统的结构为：包括多个无线智能传感器模块和现场预报终端模块，多个无线智能传感器模块分别与现场预报终端模块通过ZigBee模块进行通讯连接，现场预报终端模块通过GPRS通讯方式与控制中心连接。

3.根据权利要求2所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，所述现场预报终端模块包括中央处理器和分别与中央处理器连接的电源模块、存储模块及GPRS模块，GPRS模块与控制中心通过GPRS通讯方式连接。

4.根据权利要求2或3所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，无线智能传感器模块包括监测分机和与监测分机连接的传感器采集模块，GPRS模块与监测分机模块通过ZigBee模块进行通讯连接。

5.根据权利要求1所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，步骤1中MIV算法筛选的具体过程为：

(1)：将传感器采集模块中监测的数据矩阵P在基础上加、减10％变成新的样本数据矩阵P1，P2；

(2)：使用拉格朗日插值法对P1，P2中每个数据进行计算得出对应的结果L1，L2：

$\begin{array}{cc}{L}_i\left(x\right)={\Π}_{\underset{k\≠i}{k=0}}^n\frac{(x-x_k)}{(x_i-x_k)}& (i=0,1,\mathrm{...},n)\end{array}---\left(1\right)$

其中，x_k表示均值，x_i表示变量；

(3)：对L1和L2通过MATLAB进行仿真，得到MIV值，得出输入量变量相对重要性排序。

6.根据权利要求1所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，步骤2中滑坡预报模型建立的具体方法为：

1)确定输入输出及隐含层，其基本结构分为三层，输入量为x1＝土壤含水率，x2＝降雨量，x3＝孔隙水压力，x4＝裂缝位移，x5＝次声频率；输出量Y＝成灾概率；

隐含层节点即RBF节点通常由常见的高斯核函数构成，

$R_i\left(x\right)=\exp \[-\frac{\left|\right|x-c_i\left|\right|}{2{\mathrm{\δ}}_i^2}\],i=1,2,\mathrm{...}m---\left(2\right)$

其中，x是n维输入向量；径向基神经元节点数为r，ci个基函数中心，围绕中心点的宽度由δ_i决定，第i个感知向量；m是单元个数，||x-c_i||表示x与ci的距离；

径向基神经元利用径向基函数，网络结构上包括两层神经元，第一层是隐含的径向基层，第二层是输出线性层，首个神经元层的输出显示如式(3)：

a{1}＝radbas(netprod(dist(net,IW{1,1},p),net,b{1})) (3)

每一个神经元的输入向量和它的权值向量的距离是其加权值输入，这个距离使用||dist||来计算，Netprod表示偏差的值加上输入向量与权值向量对应元素乘积之和，每个神经元||dist||的输出都经过径向基传递函数radbas处理，得到最后输出结果；

2)径向基神经元采用聚类的工作原理，每个数据点都可能成为聚类中心，所以聚类点x_i处的密度指标定义为：

$D_i={\mathrm{\Σ}}_{j=1}^n\exp \left(\frac{\left|\right|x_i-x_j|{|}^2}{{(r/2)}^2}\right)---\left(4\right)$

其中，r是一个正数，若想使得具有高密度值，则需要一个数据点具有多个邻近点即可，r表示邻域外各点对该点的密度指标贡献的大小；

选择具有最高密度指标的数据点为第一个聚类中心，令x_ci为选中的点，D_ci为其密度指标，则每个数据点的密度指标表示：

$D_i=D_{C_1}-D_{C_1}{\Σ}_{j=1}^n\exp \left(\frac{\left|\right|x_i-x_j|{|}^2}{{\left(\frac{r}{2}\right)}^2}\right)---\left(5\right)$

其中σ为一正数，常数σ经常大于r，来避免出现聚类中心较靠近的情况，选σ＝1.5r，此方法为减法聚类法；

径向基函数利用此方法获得径向基函数的中心，然后计算出径向基函数的输出，在MATLAB工具箱中设置b与σ之间的关系如下：

$b=\frac{0.8236}{\mathrm{\σ}}---\left(6\right)$

计算结果带回式(2)、(3)中，可得||x-c_i||＝σ时，a{out}＝0.5；由此可见当b＝0.8236/σ时，对于任意给定的值σ，在神经元的加权输入的±σ处输出为0.5，通过调整σ值，从而调整了径向基函数宽度；

3)利用Matlab7.0构建滑坡的RBF网络预测模型：

net＝newrb(P,T,goal,spread,MN,DF)

P：输入向量；

T：输出向量；

goal：均方误差；

MN：最大径向基函数神经元数目；

DF：两次显示间隔内递增的神经元数目；

net：更新了权值和阈值的神经网络；

spread：径向基神经元层散布常数；

网络仿真函数为sim，其调用格式为：Y＝sim(net,P)，其中(goal＝0,spread＝1,MN＝30,DF＝3)；

构造语句：net＝newrb(P,T,0,1,30,3)；

对于隐藏层S型函数选用正切S型传递函数tansig，输出层采用线性传递函数purelin函数，学习算法选用梯度下降w/自适应lr的traingda函数，网络构造语句如下：

net＝newff(minmax(p),[4,1],{'tansig','purelin'},'traingda')；

其中的重要训练参数设置如下：

net.trainParam.show＝20；(显示迭代过程)

net.trainParam.lr＝0.05；(学习速率)

net.trainParam.epoch＝1000；(最大训练次数)

net.trainParam.goal＝0.001；(目标误差)

net.trainParam.mc＝0.95；(动量因子)。

7.根据权利要求1所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，步骤3中将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中进行训练；第一步采用非监督式的学习训练RBF层神经元的权值，第二步采用监督式学习训练线性输出层神经元的权值，训练仍然需要给出的输入、输出向量矩阵及神经元的伸展常数σ，训练的目的是求得神经元之间的权值w^H、w^O及偏差b^H、b^O；

具体过程为：

设隐含层有M个神经元，当隐含层神经元权值w^H确定后，则神经元的输出为：

${\mathrm{Out}}_{{\mathrm{NN}}_y}={\mathrm{\Σ}}_{j=1}^M{\mathrm{\ω}}_{Pj}^O{\mathrm{Out}}_{Pj}-b^2---\left(7\right)$

由于RBF神经网络的学习属于有监督学习，那么神经网络权系数的学习问题就转化成多元线性函数求极值的问题，因此，选择递推最小二乘法构造目标函数如下所示：

$J\left(k\right)=\frac{1}{2}{\mathrm{\Σ}}_{p=1}^P{E}_p\left(k\right)=\frac{1}{2}{\mathrm{\Σ}}_{p=1}^P{\[t_p\left(k\right)-{\mathrm{Out}}_{{\mathrm{NN}}_p}\]}^2---\left(8\right)$

按照负梯度方向调整权系数，即

${\mathrm{\ω}}_{Pj}^O(k+1)={\mathrm{\ω}}_{Pj}^O\left(k\right)-\mathrm{\η}\frac{\∂J\left(k\right)}{\∂{\mathrm{\ω}}_{Pj}^O\left(k\right)}---\left(9\right)$

使得偏导数为零，得出权值；

阀值改变量ΔB_k(n)具体按照以下算法经计算获得：

${\mathrm{\ΔB}}_k\left(n\right)=\frac{a}{1+N}\left({\mathrm{\ΔB}}_k\right(n-1)+1){\mathrm{\δ}}_k---\left(10\right)$

在式(10)中：a为迭代层数，N为输入变量个数，n为迭代层数，δ_k为节点j的误差项；

更新后的阀值B_k(n+1)具体按照以下算法经计算获得：

B_k(n+1)＝B_k(n)+ΔB_k(n) (11)

于是不断重复公式(7)-(11)计算权值阈值并不断更新从而得到最佳调整权值；

最后根据不断迭代得到网络最后输出关系：

$Y={\Σ}_{j=1}^M{\mathrm{\ω}}_{Pj}^O(k+1){\mathrm{Out}}_{NNY}-B_k(n+1)---\left(12\right).$