CN110807399A - 一种基于单一类别支持向量机的崩滑隐患点检测方法 - Google Patents

一种基于单一类别支持向量机的崩滑隐患点检测方法 Download PDF

Info

Publication number
CN110807399A
CN110807399A CN201911034612.1A CN201911034612A CN110807399A CN 110807399 A CN110807399 A CN 110807399A CN 201911034612 A CN201911034612 A CN 201911034612A CN 110807399 A CN110807399 A CN 110807399A
Authority
CN
China
Prior art keywords
support vector
collapse
data
vector machine
hidden danger
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.)
Pending
Application number
CN201911034612.1A
Other languages
English (en)
Inventor
余先川
秦晋
梁玉晨
张应刚
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.)
Beijing Normal University
Original Assignee
Beijing Normal 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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN201911034612.1A priority Critical patent/CN110807399A/zh
Publication of CN110807399A publication Critical patent/CN110807399A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明为一种可以解决崩滑隐患样本数据存在的不确定性问题以及正负样本的不均衡性问题，基于单一类别支持向量机的崩滑隐患点检测方法，本发明的技术方案首先融合多种类型的数据，之后再通过训练单一类别支持向量机模型，得到已知存在崩滑隐患的样本点数据的支持向量域，最后再通过计算未知类别的采样样本点与支持向量域之间的距离，从而判断样本数据是否存在崩滑隐患。本发明的技术方案可以解决崩滑检测问题中存在的数据类别不确定性和正负样本的不均衡性，并综合利用多种类型数据的特征，来有效的检测存在的崩滑隐患。

Description

一种基于单一类别支持向量机的崩滑隐患点检测方法
技术领域
本发明属于地理遥感领域，进一步涉及基于单一类别支持向量机的崩滑隐患点检测方法。
背景技术
崩塌是最为常见的地质灾害之一，传统的崩塌地质灾害识别主要以人工现场勘查为主，辅助遥感影像、地理信息系统等手段，对崩塌隐患点进行统计和排查，耗时耗力，且不利于快速开展大范围内的隐患点调查。因此，充分利用现有数据，研究崩塌隐患的发育规律与特征，为现场勘查提供指导，增设防护措施提供依据，对于减少灾害人员伤亡、财产损失具有重要意义。
对于崩塌隐患点的识别和检测，目前存在多种方法，其中专家经验法主要是依靠专家自身的专业知识和经验，这种方法一般受评价者主观影响较大。而将多种因素按照不同的权重进行叠加，形成对崩塌区域的综合性评价则是另外一种类型的方法，这种方法主要利用主成分分析法、统计分析法、GIS技术、层次分析法、神经网络、模糊理论对崩塌隐患区域进行评价。使用深度学习、机器学习模型对是否包含崩塌隐患点进行二分类，是常用的分类评价，但是崩塌样本点相比较于其它样本数量较小，直接用于分类模型容易出现过拟合等问题，而且已知的样本点为崩塌隐患点数据(单一类别)，其余的采样点所属的类别并不能确定，可能存在崩滑隐患点，也可能不存在崩滑隐患点，在这样的数据集下训练的模型的分类结果并没有参考意义。
综上，建立单一类别的分类模型对崩滑隐患点的识别和检测有重要意义。
发明内容
本发明为解决采样样本数据存在的不确定性，以及正负样本的不均衡性，提出一种基于单一类别支持向量机的崩滑隐患点检测方法，
为实现上述目的，本发明采用的技术方案如下：
1.可选的对数据进行网格划分，每一个网格作为单个的样本数据，使用遥感、DEM、坡度、坡
向数据在通道这个维度上进行拼接，以多模态数据作为模型的输入，训练单一类别支持向量机模型，得到一个包含这个类别数据样本的圆形域，即支持向量域SVD。计算样本数据到支持向量域SVD之间的距离D，确定相似距离参数为ω，结合D和ω确定样本是否存在崩滑隐患点。
2.可选的训练的单一类别支持向量机模型，其可以在不训练负样本的前提下识别出正负样本，减少不确定性样本对模型的干扰，与传统SVM模型不同，其训练出来的是一个圆形支持向量域SVD。
F(R，a，ξi)＝R2+C∑iξi
3.可选的计算样本数据到支持向量域SVD之间的距离D，在支持向量域中的点D值为负，反之则为正，计算公式：
D＝p2-2∑ipαixi+∑i，jαiαj(xi，xj)≤R2
4.可选的确定相似距离参数为ω，根据D值在一定的阈值范围内可以确定该样本是否是崩滑隐患点，计算公式：
Figure BDA0002251113450000021
本发明的技术方案的有益效果在于，针对数据集中仅存在正样本，其他样本类别不确定的情况下，通过训练单一类别支持向量机模型，可以很好的判断未知样本的类别，排除样本类别不确定对模型的影响。实例
分析结果表明，采用单一类别支持向量机模型可以准确、有效地检测出山区存在的崩滑隐患地点。
附图说明
图1为本发明的结构示意图。
图2为单一分类支持向量域的示意图。
具体实施方式
本发明具体实施方式如下：
1)数据预处理
对数据进行网格划分，每一个网格作为单个的样本数据，使用遥感、DEM、坡度、坡向数据在通道这个维度上进行拼接，作为多模态数据作为模型的输入。对数据集进行划分，将目前已知的存在崩滑隐患的样本数据记为S_one，将剩下的不确定是否在崩滑隐患的样本数据记为S_other。
2)利用S_one数据集训练单一类别支持向量机模型，得到一个包含这个数据集圆形域，该圆形域描述了该类别的数据在特征空间所处的范围，该数据域称为支持向量域SVD，如下公式所示。
F(R，a，ξi)＝R2+C∑iξi
3)根据下面的公式计算样本数据到支持向量域SVD之间的距离D。
D＝p2-2∑ipαixi+∑i，jαiαj(xi，xj)≤R2
4)在支持向量域中的点D值为负，反之则为正，我们确定相似距离参数为ω(ω>0)，根据如下公式确定样本是否存在崩滑隐患点。
Figure BDA0002251113450000022
5)遍历D_other，根据步骤(3)(4)，识别样本数据中是否存在崩滑隐患点。
6)根据坐标在遥感地图中画出预测的崩滑点的位置。

Claims (6)

1.基于单一类别支持向量机的崩滑隐患点检测方法，其特征在于：对研究区域进行网格划分，之后融合遥感、DEM、坡度、坡向等类型数据组成多模态数据，之后将多模态数据作为模型的输入，训练单一类别支持向量机模型，得到一个包含崩滑隐患类别数据样本的圆形域，即支持向量域SVD，并确定相似距离参数ω，之后计算待分类样本数据到支持向量域SVD之间的距离D，结合D和ω确定样本是否存在崩滑隐患点。
2.如权利要求1所述的基于单一类别支持向量机的崩滑隐患点检测方法，其特征在于：对研究区域进行网格划分，网格大小为33*33，每一个网格作为单个的样本数据。
3.如权利要求1所述的基于单一类别支持向量机的崩滑隐患点检测方法，其特征在于：将遥感、DEM、坡度、坡向等类型数据在通道这个维度上进行拼接，组成多模态数据。
4.如权利要求1所述的基于单一类别支持向量机的崩滑隐患点检测方法，其特征在于：训练单一类别支持向量机模型，其输入数据只包含一种类别数据，即存在崩滑隐患的数据，训练结果是一个圆形支持向量域SVD。
5.如权利要求1所述的基于单一类别支持向量机的崩滑隐患点检测方法，其特征在于：计算样本数据到支持向量域SVD之间的距离D，在支持向量域中的点D值为负，反之则为正。
6.如权利要求1所述的基于单一类别支持向量机的崩滑隐患点检测方法，其特征在于：确定相似距离参数为ω，根据D值在一定的阈值范围内可以确定该样本是否是崩滑隐患点。
CN201911034612.1A 2019-10-29 2019-10-29 一种基于单一类别支持向量机的崩滑隐患点检测方法 Pending CN110807399A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911034612.1A CN110807399A (zh) 2019-10-29 2019-10-29 一种基于单一类别支持向量机的崩滑隐患点检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911034612.1A CN110807399A (zh) 2019-10-29 2019-10-29 一种基于单一类别支持向量机的崩滑隐患点检测方法

Publications (1)

Publication Number Publication Date
CN110807399A true CN110807399A (zh) 2020-02-18

Family

ID=69489390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911034612.1A Pending CN110807399A (zh) 2019-10-29 2019-10-29 一种基于单一类别支持向量机的崩滑隐患点检测方法

Country Status (1)

Country Link
CN (1) CN110807399A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887515A (zh) * 2021-10-28 2022-01-04 中国自然资源航空物探遥感中心 一种基于卷积神经网络的遥感滑坡识别方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435910A (zh) * 2011-09-14 2012-05-02 南京航空航天大学 基于支持向量分类的功率电子电路健康监测方法
CN102566554A (zh) * 2012-02-14 2012-07-11 浙江大学 一种基于单类支持向量机的半导体过程监测方法
CN104615999A (zh) * 2015-02-15 2015-05-13 北京师范大学 基于稀疏表示分类的滑坡泥石流区域检测方法
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
CN108595495A (zh) * 2018-03-15 2018-09-28 阿里巴巴集团控股有限公司 预测异常样本的方法和装置
CN108614940A (zh) * 2018-05-02 2018-10-02 湖南大学 一种永磁同步电机性能退化评估方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435910A (zh) * 2011-09-14 2012-05-02 南京航空航天大学 基于支持向量分类的功率电子电路健康监测方法
CN102566554A (zh) * 2012-02-14 2012-07-11 浙江大学 一种基于单类支持向量机的半导体过程监测方法
CN104615999A (zh) * 2015-02-15 2015-05-13 北京师范大学 基于稀疏表示分类的滑坡泥石流区域检测方法
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
CN108595495A (zh) * 2018-03-15 2018-09-28 阿里巴巴集团控股有限公司 预测异常样本的方法和装置
CN108614940A (zh) * 2018-05-02 2018-10-02 湖南大学 一种永磁同步电机性能退化评估方法和系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113887515A (zh) * 2021-10-28 2022-01-04 中国自然资源航空物探遥感中心 一种基于卷积神经网络的遥感滑坡识别方法及系统

Similar Documents

Publication Publication Date Title
KR101811270B1 (ko) 화물을 검사하는 방법 및 그 시스템
CN106572493A (zh) Lte网络中的异常值检测方法及系统
Cury et al. Application of symbolic data analysis for structural modification assessment
CN106600960A (zh) 基于时空聚类分析算法的交通出行起讫点识别方法
CN109936582A (zh) 构建基于pu学习的恶意流量检测模型的方法及装置
CN105069470A (zh) 分类模型训练方法及装置
CN112508105A (zh) 一种采油机故障检测与检索方法
CN110717464B (zh) 一种基于雷达数据的铁路路基病害智能识别方法
CN111582380A (zh) 一种基于时空特征的船舶轨迹密度聚类方法及装置
CN104268529A (zh) 指纹图像质量的判断方法和装置
CN102158486A (zh) 一种网络入侵快速检测方法
CN113836999A (zh) 基于探地雷达的隧道施工风险智能识别方法及系统
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN111797188B (zh) 一种基于开源地理空间矢量数据的城市功能区定量识别方法
CN112836719A (zh) 一种融合二分类和三元组的示功图相似性检测方法
CN106442122A (zh) 基于图像分割和辨识的钢材料落锤撕裂试验断口韧性断面百分比检测方法
Xin et al. Multi-scale collision risk estimation for maritime traffic in complex port waters
Qin et al. Evaluation of goaf stability based on transfer learning theory of artificial intelligence
Wang et al. Automatic identification and location of tunnel lining cracks
CN110807399A (zh) 一种基于单一类别支持向量机的崩滑隐患点检测方法
CN112765389A (zh) 一种油气输送管道高后果区识别方法、系统及存储介质
CN109447026A (zh) 一种基于支持向量机的桩身完整性类别自动识别方法
CN116466408B (zh) 一种基于航磁数据的人工神经网络超基性岩识别方法
CN107832209A (zh) 一种基于混合检测结果的Android应用行为分析方法
Erdelić et al. Classification of travel modes using streaming GNSS data

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200218

RJ01 Rejection of invention patent application after publication