CN109711530A - 一种滑坡预测方法及系统 - Google Patents
一种滑坡预测方法及系统 Download PDFInfo
- Publication number
- CN109711530A CN109711530A CN201811359231.6A CN201811359231A CN109711530A CN 109711530 A CN109711530 A CN 109711530A CN 201811359231 A CN201811359231 A CN 201811359231A CN 109711530 A CN109711530 A CN 109711530A
- Authority
- CN
- China
- Prior art keywords
- weight
- accuracy
- landslide
- prediction data
- function
- 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.)
- Granted
Links
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种滑坡预测方法及系统,用于滑坡预测,解决了现有技术中滑坡预测数据的准确度不高的问题,其包括:融合预先获取的传感器的时间序列及空间序列,得到传感器的网络时空序列;向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合,得到未来时刻的滑坡预测数据,从而在预测滑坡时,基于时间序列的基础上,增加了空间序列对滑坡进行预测,使得预测涉及的相关因素不再单一,从而提高了预测结果的准确度。
Description
技术领域
本发明涉及滑坡预测技术领域,尤其涉及一种滑坡预测方法及系统。
背景技术
在目前的滑坡预测方法中,一般都是依据某一个监测点的位移数据进行预测。为了掌握滑坡体变形破坏的空间分布特征和总体变形状况,监测时应在滑坡体的不同部位布置多个监测点,形成分布式的多传感器系统,同时获取滑坡体不同部位变形的时间序列数据,得到滑坡体演化过程的信息。
但是,现有的滑坡预测方法,仅仅基于时间序列对滑坡进行预测,预测涉及的相关因素较为单一,故预测结果的准确度仍有待提高。
发明内容
本发明的主要目的在于提供一种滑坡预测方法及系统,旨在解决现有技术中对滑坡的预测涉及的相关因素较为单一,滑坡预测数据的准确度不高。
为实现上述目的,本发明第一方面提供一种滑坡预测方法,包括:融合预先获取的传感器的时间序列及空间序列,得到传感器的网络时空序列;向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合,得到未来时刻的滑坡预测数据。
进一步地,所述向已根据历史数据建立的长短期记忆网络及径向基函数神经网络中输入所述网络时空序列,得到未来时刻的滑坡预测数据包括:向长短期记忆网络输入传感器时间序列的历史数据,长短期记忆网络输出目标传感器在未来时刻的时刻预测数据;向径向基函数神经网络输入传感器网络时空序列的历史数据,径向基函数神经网络输出目标传感器的时空关系的时空预测数据;将所述时刻预测数据与所述时空预测数据进行加权平均融合,得出滑坡预测数据。
进一步地,计算所述滑坡预测数据的准确度,得到第一准确度;对所述滑坡预测数据进行处理,以提高所述第一准确度,得到所述滑坡预测数据的第二准确度。
进一步地,所述计算所述滑坡预测数据的准确度,得到第一准确度包括:设定传感器之间的相对位置关系表达式;设定所述相对位置关系表达式的权值为第一权值;设定所述滑坡预测数据的权值为第二权值;根据所述第一权值及所述第二权值建立服从正态分布的加权平均融合模型;根据正态分布及加权平均融合模型得到滑坡预测数据的准确度模型;根据所述准确度模型得到所述滑坡预测数据的第一准确度;对所述滑坡预测数据的第一准确度进行处理包括:引入修正函数;设定长短期记忆网络及径向基函数神经网络的权值分别为第一权值及第二权值,且所述第一权值及所述第二权值相加等于一;根据所述修正函数对所述第一权值及所述第二权值求偏导数,并令各偏导数为零,得出所述第一权值及所述第二权值的权值函数;根据所述第一权值及所述第二权值相加等于一,将所述第一权值及第二权值代入所述权值函数得出权值的最优分配函数;根据所述最优分配函数及所述加权平均融合模型得到数据融合后的第二准确度函数;根据所述第二准确度函数求解滑坡预测数据的第二准确度。
本发明第二方面提供一种滑坡预测系统,包括:网络时空序列模块,用于融合预先获取的传感器的时间序列及空间序列,得到传感器的网络时空序列;滑坡预测模块,用于向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合,得到未来时刻的滑坡预测数据。
进一步地,所述滑坡预测模块包括:时刻预测数据单元,用于向长短期记忆网络输入传感器时间序列的历史数据,得到长短期记忆网络输出的目标传感器在未来时刻的时刻预测数据;时空预测数据单元,用于向径向基函数神经网络输入传感器网络时空序列的历史数据,得到径向基函数神经网络输出的目标传感器的时空关系的时空预测数据;融合单元,用于将所述时刻预测数据与所述时空预测数据进行加权平均融合,得出滑坡预测数据。
进一步地,所述系统还包括:准确度计算模块,用于计算所述滑坡预测数据的准确度,得到第一准确度;准确度处理模块,用于对所述滑坡预测数据进行处理,以提高所述第一准确度,得到所述滑坡预测数据的第二准确度。
进一步地,所述准确度计算模块包括:设定单元,用于设定分配给长短期记忆网络及径向基函数神经网络的权值分别为第一权值及第二权值,且所述第一权值及所述第二权值相加等于一;模型建立单元,用于根据长短期记忆网络及径向基函数神经网络的权值建立服从正态分布的加权平均融合模型,并根据正态分布及加权平均融合模型得到滑坡预测数据的准确度模型;准确度计算单元,用于根据所述准确度模型得到所述滑坡预测数据的第一准确度;所述准确度处理模块包括:修正函数建立单元,用于建立修正函数;权值函数建立单元,用于根据所述修正函数建立单元及所述设定单元建立所述第一权值及所述第二权值的权值函数;最优分配函数建立单元,用于根据所述第一权值及所述第二权值相加等于一,将所述第一权值及第二权值代入所述权值函数建立单元及设定单元建立权值的最优分配函数;第二准确度函数建立单元,用于根据所述最优分配函数建立单元及模型建立单元建立权值的最优分配函数;第二准确度求解单元,用于根据所述第二准确度函数建立单元求解滑坡预测数据的第二准确度。
本发明第三方面提供一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现上述的任意一项所述方法。
本发明第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现上述的任意一项所述方法。
本发明提供一种滑坡预测方法,有益效果在于:通过融合预先获取的传感器的时间序列及空间序列,能够得到传感器的网络时空序列,并使用网络时空序列对未来时刻的滑坡数据进行预测,得到滑坡预测数据,从而在预测滑坡时,基于时间序列的基础上,增加了空间序列对滑坡进行预测,使得预测涉及的相关因素不再单一,从而提高了预测结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例滑坡预测方法的结构示意框图;
图2为本发明实施例电子装置的结构示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为一种滑坡预测方法,包括:S1、融合预先获取的传感器的时间序列及空间序列,得到传感器的网络时空序列;S2、向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合,得到未来时刻的滑坡预测数据。
在本实施例中,设定空间位置Si上的传感器在一系列时刻t1,t2,...,tn,其中,t为时间自变量,且t1<t2<...<tn,得到序列集合上述序列集合成为滑坡体单个传感器检测数据时间序列,具体表示如下:
设定检测的滑坡体上布置m个传感器,对于tk时刻,在空间位置s1,s2,...,sm上的传感器进行观察测量,得到监测数据的空间序列:
在空间序列中,tk表示在第k个时刻,n表示应该检测了n个时间单位。
从而融合时间序列和空间序列,得到传感器的网络时空序列,具体表示为:
在传感器的网络时空序列表达式中,表示传感器之间的相对位置关系,并且表达式如公式1,公式1表示如下:
在公式1中,和分别表示空间位置Si和Sj的传感器的检测数据序列。
根据网络时空序列预测未来时刻的预测数据包括:向长短期记忆网络输入传感器时间序列的历史数据,长短期记忆网络输出目标传感器在未来时刻的时刻预测数据;向径向基函数神经网络输入传感器网络时空序列的历史数据,径向基函数神经网络输出目标传感器的时空关系的时空预测数据;将时刻预测数据与时空预测数据进行加权平均融合,得出滑坡预测数据。
在根据网络时空序列预测未来时刻的预测数据时,使用长短期记忆网络对各个传感器Si进行预测,输入tk,tk-1,...,tk-L的传感器网络时间序列的历史数据,输出tk+1时刻的目标传感器的时刻预测数据;再使用径向基函数神经网络对传感器Si时空关系序列进行预测,输入tk,tk-1,...,tk-L的传感器网络时空关系序列的历史数据,输出tk+1时刻的目标传感器的时空关系的时空预测数据;再将各个传感器的长期短记忆网络与时空关系预测网络进行加权平均融合tk+1时刻的数据,得出滑坡预测数据。
本申请提供的滑坡预测方法还包括:计算滑坡预测数据的准确度,得到第一准确度;对滑坡预测数据进行处理,以提高第一准确度,得到滑坡预测数据的第二准确度;计算滑坡预测数据的准确度,得到第一准确度包括:设定分配给长短期记忆网络及径向基函数神经网络的权值;根据长短期记忆网络及径向基函数神经网络的权值建立服从正态分布的加权平均融合模型;根据正态分布及加权平均融合模型得到滑坡预测数据的准确度模型;根据所述准确度模型得到所述滑坡预测数据的第一准确度。
由公式1可得公式2,公式2表示如下:
因此,根据公式2和公式1分别可以得到长短期记忆网络和径向基函数神经网络两种预测方法得到的滑坡预测数据,并表示如下:由于随机噪声的干扰,滑坡预测数据具有一定的随机性;设定xi服从正态分布N(μi,σi 2),其中,μi是期望,σi是各预测方法的预测误差均方差,即代表第i个滑坡预测数据的准确度,很显然,σi越小则准确度越高。
设定分配各第i个预测方法的权值是wi,则加权平均融合模型如公式3,公式3表示如下:
y=WX=[w1,w2][x1,x2]T;
其中,可知公式4,公式4表示如下:
y的分布密度函数服从正态分布,正态分布表示如下:
由此可得融合后的准确度表达式为公式5,公式5表示如下:
对滑坡预测数据的第一准确度进行处理包括:引入修正函数;设定长短期记忆网络及径向基函数神经网络的权值分别为第一权值及第二权值,且所述第一权值及所述第二权值相加等于一;根据修正函数对第一权值及第二权值求偏导数,并令各偏导数为零,得出第一权值及第二权值的权值函数;根据第一权值及第二权值相加等于一,将所述第一权值及第二权值代入权值函数得出权值的最优分配函数;根据最优分配函数及加权平均融合模型得到数据融合后的第二准确度函数;根据第二准确度函数求解滑坡预测数据的第二准确度。
在σi一定的前提下,融合的准确度与权值wi的分配是密切相关的。为了提高融合的准确度,应使σy取最小值。并引入修正函数,修正函数表达式为公式6,公式6表示如下:
公式6中分别对wi(i=1,2)求偏导数,并令各偏导数为零,解方程组得公式7,公式7表示如下:
在公式4中可知w1+w2=1,将w1+w2=1代入公式7可得到公式8,公式8表示如下:
从而可得权值的最优分配如公式9,公式9表示如下:
将公式9代入公式3及公式4中,可得公式10,公式10表示如下:
数据融合后的第二准确度可用公式11表示,公式11表示如下:
设定两种预测方法的第一准确度相等,公式11可变为公式12,公式12表示如下:
公式12表明若两种预测方法得到的第一准确度相等,则融合后的第二准确度比单个第一准确度提高了倍。
若两种预测方法得到第一准确度不相等,则取最低的第一准确度为σmin,取最高的第一准确度为σmax;则公式11可变为公式13,公式13表示如下:
公式13表明,在多个预测方法存在的加权融合系统中,预测准确度差的预测方法存于数据融合后都有利于最终预测方法的准确度的提高。
本申请提供一种滑坡预测系统,包括:网络时空序列模块、滑坡预测模块;网络时空序列模块用于融合预先获取的传感器的时间序列及空间序列,得到传感器的网络时空序列;滑坡预测模块用于根据历史数据建立的长短期记忆网络及径向基函数神经网络中输入网络时空序列,得到未来时刻的滑坡预测数据。
滑坡预测模块包括:时刻预测数据单元、时空预测数据单元、融合单元;时刻预测数据单元用于向长短期记忆网络输入传感器时间序列的历史数据,得到长短期记忆网络输出的目标传感器在未来时刻的时刻预测数据;时空预测数据单元用于向径向基函数神经网络输入传感器网络时空序列的历史数据,得到径向基函数神经网络输出的目标传感器的时空关系的时空预测数据;融合单元用于将时刻预测数据与时空预测数据进行加权平均融合,得出滑坡预测数据。
滑坡预测系统还包括:准确度计算模块、准确度处理模块;准确度计算模块用于计算滑坡预测数据的准确度,得到第一准确度;准确度处理模块用于对滑坡预测数据进行处理,以提高第一准确度,得到滑坡预测数据的第二准确度。
准确度计算模块包括:设定单元、模型建立单元、准确度计算单元;设定单元,用于设定分配给长短期记忆网络及径向基函数神经网络的权值分别为第一权值及第二权值,且第一权值及第二权值相加等于一;模型建立单元,用于根据长短期记忆网络及径向基函数神经网络的权值建立服从正态分布的加权平均融合模型,并根据正态分布及加权平均融合模型得到滑坡预测数据的准确度模型;准确度计算单元,用于根据准确度模型得到滑坡预测数据的第一准确度。
准确度处理模块包括:修正函数建立单元、权值函数建立单元、最优分配函数建立单元、最优分配函数建立单元、第二准确度函数建立单元、第二准确度求解单元;修正函数建立单元用于建立修正函数;权值函数建立单元用于根据修正函数建立单元及设定单元建立第一权值及第二权值的权值函数;最优分配函数建立单元用于根据第一权值及所述第二权值相加等于一,将第一权值及第二权值代入所述权值函数建立单元及设定单元建立权值的最优分配函数;第二准确度函数建立单元用于根据最优分配函数建立单元及模型建立单元建立权值的最优分配函数;第二准确度求解单元用于根据第二准确度函数建立单元求解滑坡预测数据的第二准确度。
本申请实施例提供一种电子装置,请参阅2,该电子装置包括:存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序,处理器602执行该计算机程序时,实现前述的滑坡预测方法。
进一步的,该电子装置还包括:至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604,通过总线605连接。
其中,输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器601用于存储一组可执行程序代码,处理器602与存储器601耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述图2所示实施例中的存储器601。该计算机可读存储介质上存储有计算机程序,该程序被处理器602执行时实现前述方法实施例中描述的滑坡预测方法。
进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种滑坡预测方法及系统的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种滑坡预测方法,其特征在于,包括:
融合预先获取的传感器的时间序列及空间序列,得到传感器的网络时空序列;
向已根据历史数据建立的长短期记忆网络及径向基函数神经网络的输出进行加权平均融合,得到未来时刻的滑坡预测数据。
2.根据权利要求1所述的滑坡预测方法,其特征在于,
所述向已根据历史数据建立的长短期记忆网络及径向基函数神经网络中输入所述网络时空序列,得到未来时刻的滑坡预测数据包括:
向长短期记忆网络输入传感器时间序列的历史数据,长短期记忆网络输出目标传感器在未来时刻的时刻预测数据;
向径向基函数神经网络输入传感器网络时空序列的历史数据,径向基函数神经网络输出目标传感器的时空关系的时空预测数据;
将所述时刻预测数据与所述时空预测数据进行加权平均融合,得出滑坡预测数据。
3.根据权利要求1所述的滑坡预测方法,其特征在于,还包括:
计算所述滑坡预测数据的准确度,得到第一准确度;
对所述滑坡预测数据进行处理,以提高所述第一准确度,得到所述滑坡预测数据的第二准确度。
4.根据权利要求3所述的滑坡预测方法,其特征在于,
所述计算所述滑坡预测数据的准确度,得到第一准确度包括:
设定分配给长短期记忆网络及径向基函数神经网络的权值;
根据长短期记忆网络及径向基函数神经网络的权值建立服从正态分布的加权平均融合模型;
根据正态分布及加权平均融合模型得到滑坡预测数据的准确度模型;
根据所述准确度模型得到所述滑坡预测数据的第一准确度;
所述对所述滑坡预测数据的第一准确度进行处理包括:
引入修正函数;
设定长短期记忆网络及径向基函数神经网络的权值分别为第一权值及第二权值,且所述第一权值及所述第二权值相加等于一;
根据所述修正函数对所述第一权值及所述第二权值求偏导数,并令各偏导数为零,得出所述第一权值及所述第二权值的权值函数;
根据所述第一权值及所述第二权值相加等于一,将所述第一权值及第二权值代入所述权值函数得出权值的最优分配函数;
根据所述最优分配函数及所述加权平均融合模型得到数据融合后的第二准确度函数;
根据所述第二准确度函数求解滑坡预测数据的第二准确度。
5.一种滑坡预测系统,其特征在于,包括:
网络时空序列模块,用于融合预先获取的传感器的时间序列及空间序列,得到传感器的网络时空序列;
滑坡预测模块,用于根据历史数据建立的长短期记忆网络及径向基函数神经网络中输入所述网络时空序列,得到未来时刻的滑坡预测数据。
6.根据权利要求5所述的滑坡预测系统,其特征在于,
所述滑坡预测模块包括:
时刻预测数据单元,用于向长短期记忆网络输入传感器时间序列的历史数据,得到长短期记忆网络输出的目标传感器在未来时刻的时刻预测数据;
时空预测数据单元,用于向径向基函数神经网络输入传感器网络时空序列的历史数据,得到径向基函数神经网络输出的目标传感器的时空关系的时空预测数据;
融合单元,用于将所述时刻预测数据与所述时空预测数据进行加权平均融合,得出滑坡预测数据。
7.根据权利要求5所述的滑坡预测系统,其特征在于,
所述系统还包括:
准确度计算模块,用于计算所述滑坡预测数据的准确度,得到第一准确度;
准确度处理模块,用于对所述滑坡预测数据进行处理,以提高所述第一准确度,得到所述滑坡预测数据的第二准确度。
8.根据权利要求7所述的滑坡预测系统,其特征在于,
所述准确度计算模块包括:设定单元,用于设定分配给长短期记忆网络及径向基函数神经网络的权值分别为第一权值及第二权值,且所述第一权值及所述第二权值相加等于一;
模型建立单元,用于根据长短期记忆网络及径向基函数神经网络的权值建立服从正态分布的加权平均融合模型,并根据正态分布及加权平均融合模型得到滑坡预测数据的准确度模型;
准确度计算单元,用于根据所述准确度模型得到所述滑坡预测数据的第一准确度。
所述准确度处理模块包括:
修正函数建立单元,用于建立修正函数;权值函数建立单元,用于根据所述修正函数建立单元及所述设定单元建立所述第一权值及所述第二权值的权值函数;
最优分配函数建立单元,用于根据所述第一权值及所述第二权值相加等于一,将所述第一权值及第二权值代入所述权值函数建立单元及设定单元建立权值的最优分配函数;
第二准确度函数建立单元,用于根据所述最优分配函数建立单元及模型建立单元建立权值的最优分配函数;
第二准确度求解单元,用于根据所述第二准确度函数建立单元求解滑坡预测数据的第二准确度。
9.一种电子装置,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至4中的任意一项所述方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至4中的任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811359231.6A CN109711530B (zh) | 2018-11-15 | 2018-11-15 | 一种滑坡预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811359231.6A CN109711530B (zh) | 2018-11-15 | 2018-11-15 | 一种滑坡预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109711530A true CN109711530A (zh) | 2019-05-03 |
CN109711530B CN109711530B (zh) | 2021-01-08 |
Family
ID=66254826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811359231.6A Active CN109711530B (zh) | 2018-11-15 | 2018-11-15 | 一种滑坡预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109711530B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414031A (zh) * | 2019-05-07 | 2019-11-05 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法 |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN111504268A (zh) * | 2020-04-22 | 2020-08-07 | 深圳市地质局 | 一种土质边坡险情智能预警预报方法 |
CN112508060A (zh) * | 2020-11-18 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于图卷积神经网络的滑坡体状态判断方法及系统 |
CN115019476A (zh) * | 2022-06-09 | 2022-09-06 | 贵州大学 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106128035A (zh) * | 2016-06-30 | 2016-11-16 | 西安工程大学 | 基于神经网络和多参数信息融合的地质灾害预报方法 |
CN106815971A (zh) * | 2016-12-21 | 2017-06-09 | 西安工程大学 | 一种基于rbf神经网络的滑坡灾害预报方法 |
-
2018
- 2018-11-15 CN CN201811359231.6A patent/CN109711530B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106128035A (zh) * | 2016-06-30 | 2016-11-16 | 西安工程大学 | 基于神经网络和多参数信息融合的地质灾害预报方法 |
CN106815971A (zh) * | 2016-12-21 | 2017-06-09 | 西安工程大学 | 一种基于rbf神经网络的滑坡灾害预报方法 |
Non-Patent Citations (1)
Title |
---|
陈晓利: "应用径向基概率神经网络研究地震滑坡", 《地震地质》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414031A (zh) * | 2019-05-07 | 2019-11-05 | 深圳大学 | 一种基于volterra级数模型预测时间序列的方法 |
CN110686633A (zh) * | 2019-08-30 | 2020-01-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN110686633B (zh) * | 2019-08-30 | 2021-09-14 | 深圳大学 | 一种滑坡位移预测方法、装置及电子设备 |
CN111504268A (zh) * | 2020-04-22 | 2020-08-07 | 深圳市地质局 | 一种土质边坡险情智能预警预报方法 |
CN112508060A (zh) * | 2020-11-18 | 2021-03-16 | 哈尔滨工业大学(深圳) | 一种基于图卷积神经网络的滑坡体状态判断方法及系统 |
CN112508060B (zh) * | 2020-11-18 | 2023-08-08 | 哈尔滨工业大学(深圳) | 一种基于图卷积神经网络的滑坡体状态判断方法及系统 |
CN115019476A (zh) * | 2022-06-09 | 2022-09-06 | 贵州大学 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
CN115019476B (zh) * | 2022-06-09 | 2023-10-10 | 贵州大学 | 一种基于多源信息融合的滑坡时空信息监测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109711530B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711530A (zh) | 一种滑坡预测方法及系统 | |
CN109902832B (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
CN108090093B (zh) | 生成推荐结果的方法和装置 | |
US20190034497A1 (en) | Data2Data: Deep Learning for Time Series Representation and Retrieval | |
Sun et al. | Quantized synchronization of memristive neural networks with time-varying delays via super-twisting algorithm | |
CN107274472A (zh) | 一种提高vr播放帧率的方法和装置 | |
CN110309136A (zh) | 一种数据库异常事件缺失数据填充方法及系统 | |
CN108205704A (zh) | 一种神经网络芯片 | |
CN110188868A (zh) | 人工神经网络的硬件实现的训练 | |
EP3940600A1 (en) | Method and apparatus with neural network operation processing background | |
CN112445129A (zh) | 用于训练神经网络以控制飞机的系统和方法 | |
CN113037577A (zh) | 网络流量预测方法、装置和计算机可读存储介质 | |
CN108053424A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN108875519A (zh) | 对象检测方法、装置和系统及存储介质 | |
Chi et al. | A novel ELM based adaptive Kalman filter tracking algorithm | |
CN113156473B (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
EP3889842A1 (en) | Parallel processing method and apparatus for neural network model | |
CN110781968B (zh) | 一种基于塑性卷积神经网络的可扩展类别的图像识别方法 | |
US20180313876A1 (en) | Electric Power System Monitoring Apparatus and Electric Power System Monitoring Method | |
CN112131716A (zh) | 一种用于电力电子化电力系统的随机电磁暂态分析方法及系统 | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
CN113392857B (zh) | 基于yolo网络的目标检测方法、装置和设备终端 | |
CN115903516A (zh) | 基于stfgcn的时空热误差预测模型与时空热误差控制系统 | |
CN109993338A (zh) | 一种链路预测方法及装置 | |
CN110045362B (zh) | 基于rnn的雷达目标航迹识别方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |