CN109063247B - 基于深度信念网络的滑坡灾害预报方法 - Google Patents

Abstract

本发明公开的基于深度信念网络的滑坡灾害预报方法，首先建立滑坡体监测预警系统，采集大量灾害诱发因子，运用MIV算法筛选，筛选出主要灾害诱发因子；将筛选出的灾害诱发因子进行标准化过程，按特定比例分为测试样本和训练样本；然后，构建基于深度信念网络的滑坡灾害预报模型，设置结构为两层RBM和三层BP网络组成；采用CD算法对RBM预训练，更新网络参数；采用遗传算法监督训练学习，保证DBN网络整体最优；最后，重构已优化的滑坡灾害预报模型，对输出结果进行滑坡等级划分，预报出滑坡发生可能性。本发明公开的方法通过提取特征灾害诱发因子，加快收敛速度，防止陷入局部最优，提升滑坡灾害预报精度。

Description

基于深度信念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，涉及一种基于深度信念网络的滑坡灾害预报方法。

背景技术

滑坡是重要的地质灾害类型之一，它威胁着人类的生命及财产安全，并对灾害发生地区的基础设施和生态环境具有极大破坏作用。因此，如何运用相应技术手段对滑坡灾害进行实时性监测预报，最大程度降低损失，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，研究阶段分为多个时期。第一阶段处于20世纪60～70年代，以现象预报和经验预报为主，即著名的“斋藤法”。专家凭借滑坡破坏现象对滑坡失稳进行推断，但此方法仅适用于已有滑坡前兆的情况下，实时性差且预报精度低。第二阶段，20世纪80年代，国内外许多学者大量引入各种数学方法与理论模型，例如，Hoek据智利Chuqicamata矿滑坡监测时间-位移曲线提出了外延法，根据所建的模型作外推预报，但其仅能对滑坡近期行为进行推测，存在一定的限制。第三阶段，Haruyama M等基于灰色系统理论开始被应用于滑坡预报研究，但因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。第四阶段，BP人工神经网络算法应用于滑坡灾害预报领域中，此种算法具有非线性映射、自适应性学习、大规模并行处理、较强容错性等优点，对滑坡预测预报方面有很高的研究价值。但同时也存在弊端，如神经网络容易陷入局部最优问题、收敛速度慢等。而深度学习作为第三代神经网络，能够从繁多无标签样本中提取出特征量，凭借其多层交互结构及逐层训练的稳定性，将样本进行训练，更适合滑坡灾害预测模型建立，增加预报精确度。

鉴于此，本发明提出一种基于深度信念网络(Deep BeliefNetwork，DBN)的滑坡体灾害预报方法，首先建立滑坡体监测预警系统，运用平均影响值(Mean Impact Value，MIV)算法筛选，筛选出主要灾害诱发因子，然后对两层RBM(Restricted Boltzmann Machine，RBM)进行预训练并提取特征信息，利用遗传算法对模型调优，采用三层BP网络(Back-Propagation Network，BP)模拟滑坡灾害诱发因子与灾害发生等级的关系进行滑坡预报。

发明内容

本发明目的是提供一种基于深度信念网络的滑坡灾害预报方法，解决现有灾害预报中所采用的算法收敛速度慢，预报精确度不高的问题，通过提取特征灾害诱发因子，加快收敛速度，防止陷入局部最优，提升滑坡灾害预报精度。

本发明所采用的技术方案是，基于深度信念网络的滑坡灾害预报方法，具体的操作步骤如下：

步骤1.建立滑坡体监测预警系统，采集大量灾害诱发因子，运用MIV算法筛选，筛选出主要灾害诱发因子；

步骤2.将筛选出的灾害诱发因子进行标准化过程，按特定比例分为测试样本、训练样本和调优样本；

步骤3.构建基于深度信念网络的滑坡灾害预报模型，设置结构为两层RBM和三层BP网络组成；

步骤4.采用CD算法对RBM预训练，更新网络参数；

步骤5.采用遗传算法监督训练学习，使DBN网络整体最优；

步骤6.重构已优化的滑坡灾害预报模型，对输出结果进行滑坡等级划分，预报出滑坡发生可能性。

本发明的其他特点还在于，

步骤1中的滑坡体监测预报系统包括现场预警终端和若干个无线智能传感器模块，现场预警终端与PC端控制中心信号连接，现场预警终端与若干个无线智能传感器模块通过Zigbee无线传输方式通讯；现场预警终端包括主控芯片STM32，主控芯片STM32分别连接有触摸屏模块、USB接口、储存模块、GPRS模块和Zigbee模块；无线智能传感器模块包括主控芯片MSP430，主控芯片MSP430分别连接有存储模块、RS232模块、RS485模块、Zigbee无线通讯模块以及模拟量、数字量以及脉冲量的数据接口。

步骤1中MIV算法筛选灾害诱发因子的具体过程为：

步骤1.1获取智能无线传感器模块采集到的初步完整数据，设样本矩阵为B，并使样本中的每个变量分别加、减10％，构成两个新的训练样本矩阵B1，B2：

步骤1.2如公式1所示，运用拉格朗日插值法将样本矩阵B1和B2进行运算得到对应的结果L1和L2，并将L1和L2用MATLAB进行仿真得出MIV的值，根据滑坡重要影响因素进行排序，从而筛选出MIV主要灾害诱发因子；

其中，L1，L2表示每个变量的差值，X_k表示均值，X_i表示变量。

步骤2中标准化的过程如下：

步骤2.1令输入量X₁＝土壤含水率，X₂＝降雨量，X₃＝裂缝位移，X₄＝土压力，X₅＝孔隙水压力，X₆＝滑体滑面倾角，X₇＝次声频率；

步骤2.2对采集到的数据进行归一化处理，如公式2所示：

步骤2.3依据特定比例将处理后的样本数据分为预训样本、调优样本、测试样本；其中，在滑坡预报应用中，若需要采集数据特别多的时候，特定比例取98：1：1，反之则取6：2：2；预训练样本包含大量无标签样本数据，调优样本和测试样本包含少量带有类标签的样本数据。

步骤3的具体过程如下：

步骤3.1构建DBN网络模型，它的关键组成部分是RBM，一层RBM包括一个隐含层H和一个可视层V，定义相同层间节点两两互联，相同层内节点不相接，V层有m个可视单元v＝(v₁,v₂,v₃,L v_m)，H层有n个隐含单元h＝(h₁,h₂,h₃,L h_n)；

一层RBM的能量函数可表示为，

其中，v_i为可视单元i的取值，h_j为隐含单元j的取值；当i，j＝0时处于未激活状态，当i，j＝1时处于激活状态，a_i表示可视偏执层的偏执量，b_j为隐含层的偏执量，ω_ij为可视单元v_i与隐含单元h_j之间的连接权重，n是隐含层节点数量，m为可视层节点数量，θ＝(a,b,ω)为RBM的模型参数；

基于RBM的能量函数，(v,h)的联合概率分布可以表示为：

其中，

为归一化因子，即，剖分函数；

当给定可视单元的状态时，隐含单元的激活概率是条件独立的，记第j个隐单元的激活概率可以表示为：

同理，当给定隐含单元的状态时，可视单元的激活概率是条件独立的，记第i个可视单元的激活概率可以表示为：

其中，σ(x)表示激活函数，如公式7所示，当x>0时，σ(x)＝1，当x<0时，σ(x)＝0；

对于一层RBM所包含的m个可见单元和n个隐单元，根据独立性，(v,h)的条件概率可表示为：

公式8中给定可视单元节点，得到隐含单元节点；

公式9中给定隐含单元节点，得到可视单元节点；

结合公式3，两层RBM的能量函数如公式10所示：

其中，h_j0表示第一层隐单元的第j个节点的值，h_k2表示第二个隐单元的第k个节点的值；

其联合概率分布由公式4和公式10计算得到：

根据公式11求解出条件分布概率，如公式12所示：

步骤3.2三层BP网络用于输出滑坡等级分类预报结果，将第二层RBM2的隐蔽层h₂节点作为BP神经网络的可见层输入端，输出层由5个结点单元组成，数据输入层为v₁，由此输入采集到的滑坡灾害诱发因子样本数据，设定其模型输入为7维。

步骤4的具体过程如下：

步骤4.1确定网络参数：样本x＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇}^T，学习速率ε，隐含层单元数n；参数初始化：网络参数θ，可视层单元初始值v₁＝x，并设置最大迭代次数E，极小值化ω，对应偏置值a与b；

步骤4.2开始预训练：

对隐含层所有隐单元根据公式6计算，从P(h_1j|v₁)抽取h_1j∈{0,1}；对可视层所有可视单元根据公式5，从P(v_2i|h₁)中提取v_2i∈{0,1}；根据公式6，对隐含层所有隐单元进行计算；

步骤4.3参数更新：

ω←ω+ε[(P(h₁＝1|v₁)v₁ ^T-P(h₂＝1|v₂)v₂ ^T]

a←a+ε(v₁-v₂)

b←b+ε(P(h₁＝1|v₁)-P(h₂＝1|v₂))

步骤4.4重复执行步骤4.2和步骤4.3，完成E次迭代后结束，完成参数更新，最后一次的迭代，将上一层RBM训练完成的状态h₂作为下一层RBM的输入v₁，训练下一个RBM。

步骤5的具体计算过程如下：

步骤5.1将整个网络等价为BP神经网络，其网络初始权值与偏置在预训练中已设定，GA和BP参数设置如下：种群规模G_s＝100，交叉概率P_c0＝0.65，变异概率P_m0＝0.01，终止代数T＝500，动量因子α＝0.6；

步骤5.2采用染色体来记录神经网络各层之间的阈值和连接权重，以编码方式生成初始种群；

步骤5.3将步骤1中获得的主要灾害诱发因子经归一化后，输入到BP神经网络的输入层，即v₁层，其评价函数表示为：

其中，e(i)＝y_i ^d-y_i，N为学习样本，y_i ^d为第i组样本的理想输出值，为第i组样本的实际输出值，e(i)为两者之间的误差；

步骤5.4通过适应度函数对网络权值和阈值进行评价，舍弃适应值较低的权值和阈值，保留适应值较高的权值和阈值并进行自我复制；

步骤5.5在高性能的权值和阈值群体中进行交叉和变异两种操作，再按适应度函数执行对权值和阈值群体评价，直至权值和阈值达到期望或达到最大迭代次数停止，至此基于深度信念网络的滑坡灾害预报模型训练完毕；否则继续重复步骤5.3-步骤5.5。

本发明的有益效果是，基于深度信念网络的滑坡灾害预报方法，解决现有灾害预报中所采用的算法收敛速度慢，预报精确度不高的问题；具有以下的有益效果：(1)建立滑坡监测预警系统，能够通过传感器采集到大量的灾害诱发因子，并通过MIV算法筛选出主要灾害诱发因子，加快提取速率，提升预报精确性；(2)DBN对诱发因子样本数据进行特征学习，提升了数据可用性，进一步提升预报精确度；(3)利用遗传算法对整个DBN模型进行调优，降低收敛时间，防止陷入局部最优，保证网络整体最优。

附图说明

图1是本发明的基于深度信念网络的滑坡灾害预报方法的流程图；

图2是本发明的基于深度信念网络的滑坡灾害预报方法所使用的滑坡体监测预警系统结构示意图；

图3是本发明的基于深度信念网络的滑坡灾害预报方法所使用的滑坡体监测预警系统中RBM结构示意图；

图4是深度信念网络模型结构图。

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。

本发明的基于深度信念网络的滑坡灾害预报方法，如图1所示具体的操作步骤如下：

步骤1.建立滑坡体监测预警系统，采集大量灾害诱发因子，运用MIV算法筛选，筛选出主要灾害诱发因子；

步骤2.将筛选出的灾害诱发因子进行标准化过程，按特定比例分为测试样本、训练样本和调优样本；

步骤3.构建基于深度信念网络的滑坡灾害预报模型，设置结构为两层RBM和三层BP网络组成；

步骤4.采用CD算法对RBM预训练，更新网络参数；

步骤5.采用遗传算法监督训练学习，使DBN网络整体最优；

步骤6.重构已优化的滑坡灾害预报模型，对输出结果进行滑坡等级划分，预报出滑坡发生可能性。

步骤1中的滑坡体监测预报系统，如图2所示，包括现场预警终端和若干个无线智能传感器模块，所述现场预警终端与PC端控制中心信号连接，所述现场预警终端与若干个无线智能传感器模块通过Zigbee无线传输方式通讯；所述现场预警终端包括主控芯片STM32，所述主控芯片STM32分别连接有触摸屏模块、USB接口、储存模块、GPRS模块和Zigbee模块；所述无线智能传感器模块包括主控芯片MSP430，所述主控芯片MSP430分别连接有存储模块、RS232模块、RS485模块、Zigbee无线通讯模块以及模拟量、数字量以及脉冲量数据接口。

步骤1中MIV算法筛选灾害诱发因子的具体过程为：

步骤1.1获取智能无线传感器模块采集到的初步完整数据，设样本矩阵为B，并使样本中的每个变量分别加、减10％，构成两个新的训练样本矩阵B1，B2：

步骤1.2如公式1所示，运用拉格朗日插值法将样本矩阵B1和B2进行运算得到对应的结果L1和L2，，并将L1和L2用MATLAB进行仿真得出MIV的值，根据滑坡重要影响因素进行排序，从而筛选出MIV主要灾害诱发因子。

其中，L1，L2表示每个变量的差值，X_k表示均值，X_i表示变量。

步骤2中标准化的过程如下：

步骤2.1令输入量X₁＝土壤含水率，X₂＝降雨量，X₃＝裂缝位移，X₄＝土压力，X₅＝孔隙水压力，X₆＝滑体滑面倾角，X₇＝次声频率；其输出量为:Y₁＝成灾概率0～20％，Y₂＝成灾概率20～40％，Y₃＝成灾概率40～60％，Y₄＝成灾概率60～80％，Y₅＝成灾概率80～100％，表1为成灾概率及其对应的编码

表1成灾概率及其编码

步骤2.2对采集到的数据进行归一化处理，如公式2所示：

步骤2.3依据特定比例将处理后的样本数据分为预训样本、调优样本、测试样本；其中，预训练样本包含大量无标签样本数据，调优样本和测试样本包含少量带有类标签的样本数据。其中的特定比例指的是：人们运用机器学习传统方法的时候，一般将训练集、测试集和验证集，划为6：2：2，若处理少量数据，这一比例划分相对来说具有科学性；在深度学习中若是数据很大，则可以将训练集、验证集、测试集比例调整为98：1：1。因此，在滑坡预报应用中，若需要采集数据特别多的时候，特定比例取98：1：1，反之则6：2：2。

步骤3的具体过程如下：

步骤3.1构建DBN网络模型，它的关键组成部分是RBM，一层RBM包括一个隐含层H和一个可视层V，定义相同层间节点两两互联，相同层内节点不相接，结构如图3所示，V层有m个可视单元v＝(v₁,v₂,v₃,L v_m)，H层有n个隐含单元h＝(h₁,h₂,h₃,L h_n)；

类似于热动力学原理，一层RBM的能量函数表示为，

其中，v_i为可视单元i的取值，h_j为隐含单元j的取值；当i，j＝0时处于未激活状态，当i，j＝1时处于激活状态，a_i表示可视偏执层的偏执量，b_j为隐含层的偏执量，ω_ij为可视单元v_i与隐含单元h_j之间的连接权重，n是隐含层节点数量，m为可视层节点数量，θ＝(a,b,ω)为RBM的模型参数；

基于RBM的能量函数，(v,h)的联合概率分布可以表示为：

其中，

为归一化因子，即，剖分函数；

由RBM的性质，当给定可视单元的状态时，隐含单元的激活概率是条件独立的，记第j个隐单元的激活概率可以表示为：

同理，当给定隐含单元的状态时，可视单元的激活概率是条件独立的，记第i个可视单元的激活概率可以表示为：

其中，σ(x)表示激活函数，如公式7所示，当x>0时，σ(x)＝1，当x<0时，σ(x)＝0；

对于一层RBM所包含的m个可见单元和n个隐单元，根据独立性，(v,h)的条件概率可表示为：

公式8中给定可视单元节点，得到隐含单元节点；

公式9中给定隐含单元节点，得到可视单元节点；

本发明将由两层RBM和三层BP网络构成深度信念网络模型，如图4所示：结合公式3，两层RBM的能量函数如公式10所示；

其中，h_j0表示第一层隐单元的第j个节点的值，h_k2表示第二个隐单元的第k个节点的值；

其联合概率分布由公式4和公式10计算得到：

根据公式11求解出条件分布概率，如公式12所示：

步骤3.2三层BP网络用于输出滑坡等级分类预报结果，将RBM2隐蔽层h₂节点作为BP神经网络的可见层输入端，输出层由5个结点单元组成，数据输入层为v₁，由此输入采集到的滑坡灾害诱发因子样本数据，设定其模型输入为7维(即m＝7)。

步骤4的具体过程如下：

步骤4.1确定网络参数：样本x＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇}^T，学习速率ε，隐含层单元数n；参数初始化：网络参数θ，可视层单元初始值v₁＝x，并设置最大迭代次数E，极小值化ω，对应偏置值a与b，其中，在RBM1中，可视单元数为m＝7，隐单元数目提前设定为n＝30，训练周期T＝50，学习速率ε＝0.01；

步骤4.2开始预训练：

对隐含层所有隐单元根据公式6计算，从P(h_1j|v₁)抽取h_1j∈{0,1}；对可视层所有可视单元根据公式5，从P(v_2i|h₁)中提取v_2i∈{0,1}；根据公式6，对隐含层所有隐单元进行计算；

步骤4.3参数更新：

ω←ω+ε[(P(h₁＝1|v₁)v₁ ^T-P(h₂＝1|v₂)v₂ ^T]

a←a+e(v₁-v₂)

b←b+e(P(h₁＝1|v₁)-P(h₂＝1|v₂))

步骤4.4重复执行步骤4.2和步骤4.3，完成E次迭代后结束，完成参数更新，最后一次的迭代，将上一层RBM训练完成的状态h₂作为下一层RBM的输入v₁，训练下一个RBM；

步骤5的具体计算过程如下：

步骤5.1将整个网络等价为BP神经网络，其网络初始权值与偏置在预训练中已设定，GA和BP参数设置如下：种群规模G_s＝100，交叉概率P_c0＝0.65，变异概率P_m0＝0.01，终止代数T＝500，动量因子α＝0.6；

步骤5.2采用染色体来记录神经网络各层之间的阈值和连接权重，以编码方式生成初始种群；

步骤5.3为了从染色体种群中选择最优染色体来初始化神经网络的阈值和连接权值，因此，将步骤1中获得的主要灾害诱发因子经归一化后，输入到BP神经网络的输入层，即v₁层，其评价函数表示为：

其中，e(i)＝y_i ^d-y_i，N为学习样本，y_i ^d为第i组样本的理想输出值，为第i组样本的实际输出值，e(i)为两者之间的误差；

步骤5.4通过适应度函数对网络权值和阈值进行评价，舍弃适应值较低的权值和阈值，保留适应值较高的权值和阈值并进行自我复制；

步骤5.5在高性能的权值和阈值群体中进行交叉和变异两种操作，再按适应度函数执行对权值和阈值群体评价，直至权值和阈值达到期望或达到最大迭代次数停止，至此基于深度信念网络的滑坡灾害预报模型训练完毕；否则继续重复步骤5.3-步骤5.5。

步骤6中预警等级划分如表2所示，

表2预警对应等级划分

经过试验发现，利用MIV算法筛选灾害诱发因子，能够及时筛选主要灾害因子，提升预报时效性；并且构建的网络结构层数和样本训练周期与预测准确率存在一定关系，本发明采用2层RBM网络结构，训练周期定为200时，预报精确度达到较好的效果；采用遗传算法调优，防止BP网络陷入局部最优，从而进一步提升预报准确度。

Claims (5)

1.基于深度信念网络的滑坡灾害预报方法，其特征在于，具体的操作步骤如下：

步骤1.建立滑坡体监测预警系统，采集大量灾害诱发因子，运用MIV算法筛选，筛选出主要灾害诱发因子；

步骤2.将筛选出的灾害诱发因子进行标准化过程，按特定比例分为测试样本、训练样本和调优样本，所述标准化过程如下：

步骤2.1令输入量X₁＝土壤含水率，X₂＝降雨量，X₃＝裂缝位移，X₄＝土压力，X₅＝孔隙水压力，X₆＝滑体滑面倾角，X₇＝次声频率；

步骤2.2对采集到的数据进行归一化处理，如公式2所示：

步骤2.3依据特定比例将处理后的样本数据分为预训样本、调优样本、测试样本；其中，在滑坡预报应用中，若需要采集数据特别多的时候，特定比例取98：1：1，反之则取6：2：2；预训练样本包含大量无标签样本数据，调优样本和测试样本包含少量带有类标签的样本数据；

步骤3.构建基于深度信念网络的滑坡灾害预报模型，设置结构为两层RBM和三层BP网络组成，具体过程如下：

步骤3.1构建DBN网络模型，它的关键组成部分是RBM，一层RBM包括一个隐含层H和一个可视层V，定义相同层间节点两两互联，相同层内节点不相接，V层有m个可视单元v＝(v₁,v₂,v₃,…v_m)，H层有n个隐含单元h＝(h₁,h₂,h₃,…h_n)；

一层RBM的能量函数可表示为：

其中，v_i为可视单元i的取值，h_j为隐含单元j的取值；当i，j＝0时处于未激活状态，当i，j＝1时处于激活状态，a_i表示可视偏执层的偏执量，b_j为隐含层的偏执量，ω_ij为可视单元v_i与隐含单元h_j之间的连接权重，n是隐含层节点数量，m为可视层节点数量，θ＝(a,b,ω)为RBM的模型参数；

基于RBM的能量函数，(v,h)的联合概率分布可以表示为：

其中，

为归一化因子，即，剖分函数；

当给定可视单元的状态时，隐含单元的激活概率是条件独立的，记第j个隐单元的激活概率可以表示为：

同理，当给定隐含单元的状态时，可视单元的激活概率是条件独立的，记第i个可视单元的激活概率可以表示为：

其中，σ(x)表示激活函数，如公式7所示，当x>0时，σ(x)＝1，当x<0时，σ(x)＝0；

对于一层RBM所包含的m个可见单元和n个隐单元，根据独立性，(v,h)的条件概率可表示为：

公式8中给定可视单元节点，得到隐含单元节点；

公式9中给定隐含单元节点，得到可视单元节点；

结合公式3，两层RBM的能量函数如公式10所示：

其中，h_j0表示第一层隐单元的第j个节点的值，h_k2表示第二个隐单元的第k个节点的值；

其联合概率分布由公式4和公式10计算得到：

根据公式11求解出条件分布概率，如公式12所示：

步骤3.2三层BP网络用于输出滑坡等级分类预报结果，将第二层RBM2的隐蔽层h₂节点作为BP神经网络的可见层输入端，输出层由5个结点单元组成，数据输入层为v₁，由此输入采集到的滑坡灾害诱发因子样本数据，设定其模型输入为7维；

步骤4.采用CD算法对RBM预训练，更新网络参数；

步骤5.采用遗传算法监督训练学习，使DBN网络整体最优；

步骤6.重构已优化的滑坡灾害预报模型，对输出结果进行滑坡等级划分，预报出滑坡发生可能性。

2.如权利要求1所述的基于深度信念网络的滑坡灾害预报方法，其特征在于，所述步骤1中的滑坡体监测预报系统包括现场预警终端和若干个无线智能传感器模块，所述现场预警终端与PC端控制中心信号连接，所述现场预警终端与若干个无线智能传感器模块通过Zigbee无线传输方式通讯；所述现场预警终端包括主控芯片STM32，所述主控芯片STM32分别连接有触摸屏模块、USB接口、储存模块、GPRS模块和Zigbee模块；所述无线智能传感器模块包括主控芯片MSP430，所述主控芯片MSP430分别连接有存储模块、RS232模块、RS485模块、Zigbee无线通讯模块以及模拟量、数字量以及脉冲量的数据接口。

3.如权利要求1所述的基于深度信念网络的滑坡灾害预报方法，其特征在于，所述步骤1中MIV算法筛选灾害诱发因子的具体过程为：

步骤1.1获取智能无线传感器模块采集到的初步完整数据，设样本矩阵为B，并使样本中的每个变量分别加、减10％，构成两个新的训练样本矩阵B1，B2：

步骤1.2如公式1所示，运用拉格朗日插值法将样本矩阵B1和B2进行运算得到对应的结果L1和L2，并将L1和L2用MATLAB进行仿真得出MIV的值，根据滑坡重要影响因素进行排序，从而筛选出MIV主要灾害诱发因子；

其中，L1，L2表示每个变量的差值，X_k表示均值，X_i表示变量。

4.如权利要求3所述的基于深度信念网络的滑坡灾害预报方法，其特征在于，所述步骤4的具体过程如下：

步骤4.1确定网络参数：样本x＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇}^T，学习速率ε，隐含层单元数n；参数初始化：网络参数θ，可视层单元初始值v₁＝x，并设置最大迭代次数E，极小值化ω，对应偏置值a与b；

步骤4.2开始预训练：

对隐含层所有隐单元根据公式6计算，从P(h_1j|v₁)抽取h_1j∈{0,1}；对可视层所有可视单元根据公式5，从P(v_2i|h₁)中提取v_2i∈{0,1}；根据公式6，对隐含层所有隐单元进行计算；

步骤4.3参数更新：

ω←ω+ε[(P(h₁＝1|v₁)v₁ ^T-P(h₂＝1|v₂)v₂ ^T]

a←a+ε(v₁-v₂)

b←b+ε(P(h₁＝1|v₁)-P(h₂＝1|v₂))

步骤4.4重复执行步骤4.2和步骤4.3，完成E次迭代后结束，完成参数更新，最后一次的迭代，将上一层RBM训练完成的状态h₂作为下一层RBM的输入v₁，训练下一个RBM。

5.如权利要求1所述的基于深度信念网络的滑坡灾害预报方法，其特征在于，所述步骤5的具体计算过程如下：

步骤5.1将整个网络等价为BP神经网络，其网络初始权值与偏置在预训练中已设定，GA和BP参数设置如下：种群规模G_s＝100，交叉概率P_c0＝0.65，变异概率P_m0＝0.01，终止代数T＝500，动量因子α＝0.6；

步骤5.2采用染色体来记录神经网络各层之间的阈值和连接权重，以编码方式生成初始种群；

步骤5.3将步骤1中获得的主要灾害诱发因子经归一化后，输入到BP神经网络的输入层，即v₁层，其评价函数表示为：

其中，e(i)＝y_i ^d-y_i，N为学习样本，y_i ^d为第i组样本的理想输出值，为第i组样本的实际输出值，e(i)为两者之间的误差；

步骤5.4通过适应度函数对网络权值和阈值进行评价，舍弃适应值较低的权值和阈值，保留适应值较高的权值和阈值并进行自我复制；

步骤5.5在高性能的权值和阈值群体中进行交叉和变异两种操作，再按适应度函数执行对权值和阈值群体评价，直至权值和阈值达到期望或达到最大迭代次数停止，至此基于深度信念网络的滑坡灾害预报模型训练完毕；否则继续重复步骤5.3-步骤5.5。

Images