CN111199313A - 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 - Google Patents
基于神经网络对滑坡累积位移趋势进行预测的方法及系统 Download PDFInfo
- Publication number
- CN111199313A CN111199313A CN201911369554.8A CN201911369554A CN111199313A CN 111199313 A CN111199313 A CN 111199313A CN 201911369554 A CN201911369554 A CN 201911369554A CN 111199313 A CN111199313 A CN 111199313A
- Authority
- CN
- China
- Prior art keywords
- landslide
- accumulated displacement
- prediction model
- data
- sample
- 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
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 58
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 22
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012886 linear function Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000003189 isokinetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于神经网络对滑坡累积位移趋势进行预测的方法及系统,包括:对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;按照预设的样本比例阈值将所述滑坡样本数据训练集分为滑坡样本训练集和滑坡样本测试集,确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型;获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并根据经过处理的滑坡数据,利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。
Description
技术领域
本发明涉及地质灾害预测技术领域,并且更具体地,涉及一种基于神经网络对滑坡累积位移趋势进行预测方法及系统。
背景技术
滑坡是世界上十大自然灾害之一。随着人类活动,尤其是人类工程活动范围和规模的不断扩大,滑坡发生的次数和可能性有增加的趋势,给社会带来的危害性也在增大。然而,关于滑坡预测的应用研究目前在国际上仍然是一个难题。近年来,滑坡的预测问题一直是国内外工程地质和岩石力学等各个学科领域的专家和学者关注的热点。如何对滑坡进行预测是滑坡防灾减灾的关键环节,只有以足够的精度,成功地预测出滑坡的发生时间、规模和发展趋势等,才能真正达到防灾减灾的目的。
重大突发性滑坡灾害已对人民生命财产构成严重威胁,急需有针对性地建立一套重大突发性滑坡灾害的预测预警理论和技术方法体系。山体滑坡预测国内已有很多研究,主要是大地精密仪器测量法、包括经纬度测量、水准仪测量、测距仪测量等,测量耗费大量人力物力的同时,也有一定偏差。由于影响滑坡发展演化的因素众多,导致滑坡运动具有复杂性和不确定性,滑坡的预测仍是世界性难题。众多的学者进行过滑坡滑速与滑距的计算研究,但提出的各种假说以及计算方法不具有普遍性,没有形成较为系统的预测方法。
发明内容
本发明提出一种基于神经网络对滑坡累积位移趋势进行预测方法及系统,以解决如何对滑坡累积位移趋势进行预测的问题。
为了解决上述问题,根据本发明的一个方面,提供了一种基于神经网络对滑坡累积位移趋势进行预测的方法,所述方法包括:
对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;其中,每个滑坡样本的滑坡数据,包括:多个外界影响因素的数值以及在这些外界影响因素的作用下的滑坡累积位移值;
按照预设的样本比例阈值将所述滑坡样本数据训练集分为滑坡样本训练集和滑坡样本测试集,确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型;
获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并根据经过处理的滑坡数据,利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。
优选地,其中所述对获取的历史滑坡数据进行预处理,包括:
剔除所述历史滑坡数据中由于突发因素造成滑坡的滑坡数据,并对剩余的滑坡数据采用线性函数转换法进行归一化处理,以获取滑坡样本数据集。
优选地,其中所述基于BP神经网络算法的滑坡累积位移趋势预测模型,包括:输入层、输出层和隐含层;输入层每个节点对应的输入信号就是外接影响因素;在隐含层中设置隐含层的层数以及各层的节点数,以及传递函数、最大训练次数和最小精度;输出层根据预测结果的类别设置。
优选地,其中所述用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型,包括:
设置模型参数,包括:设置输入层输入信号的选择,设置隐含层的层数和每次的节点数,设置出输出层的节点数、学习速率和传递函数;
利用滑坡样本训练集进行训练,包括:按前向传播方向进行,从输入层至隐含层至输出层的方向,得到各神经元的输出值,直至得到最后输出层的输出值;按反向传播方向进行,根据输出层的实际输出和期望输出值之间的误差,来调整节点间的连接权值,使得误差达到最小,以确定当前的滑坡累积位移趋势预测模型;
利用滑坡样本测试集进行测试,若测试结果满足预设的准确率阈值,则确定当前的滑坡累积位移趋势预测模型即为训练好的滑坡累积位移趋势预测模型;反之,则重新进行测试和训练。
优选地,其中所述方法还包括:
当所述预测位置的滑坡累积位移趋势的预测结果表明所述预测位置将发生滑坡时,按照预设的告警方式发送告警信息至相关部门。
根据本发明的另一个方面,提供了一种基于神经网络对滑坡累积位移趋势进行预测的系统,所述系统包括:
样本数据获取单元,用于对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;其中,每个滑坡样本的滑坡数据,包括:多个外界影响因素的数值以及在这些外界影响因素的作用下的滑坡累积位移值;
滑坡累积位移趋势预测模型确定单元,用于按照预设的样本比例阈值将所述滑坡样本数据训练集分为滑坡样本训练集和滑坡样本测试集,确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型;
滑坡累积位移趋势预测单元,用于获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并根据经过处理的滑坡数据,利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。
优选地,其中所述样本数据获取单元,对获取的历史滑坡数据进行预处理,包括:
剔除所述历史滑坡数据中由于突发因素造成滑坡的滑坡数据,并对剩余的滑坡数据采用线性函数转换法进行归一化处理,以获取滑坡样本数据集。
优选地,其中所述基于BP神经网络算法的滑坡累积位移趋势预测模型,包括:输入层、输出层和隐含层;输入层每个节点对应的输入信号就是外接影响因素;在隐含层中设置隐含层的层数以及各层的节点数,以及传递函数、最大训练次数和最小精度;输出层根据预测结果的类别设置。
优选地,其中所述滑坡累积位移趋势预测模型确定单元,利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型,包括:
设置模型参数,包括:设置输入层输入信号的选择,设置隐含层的层数和每次的节点数,设置出输出层的节点数、学习速率和传递函数;
利用滑坡样本训练集进行训练,包括:按前向传播方向进行,从输入层至隐含层至输出层的方向,得到各神经元的输出值,直至得到最后输出层的输出值;按反向传播方向进行,根据输出层的实际输出和期望输出值之间的误差,来调整节点间的连接权值,使得误差达到最小,以确定当前的滑坡累积位移趋势预测模型;
利用滑坡样本测试集进行测试,若测试结果满足预设的准确率阈值,则确定当前的滑坡累积位移趋势预测模型即为训练好的滑坡累积位移趋势预测模型;反之,则重新进行测试和训练。
优选地,其中所述系统还包括:
告警单元,用于当所述预测位置的滑坡累积位移趋势的预测结果表明所述预测位置将发生滑坡时,按照预设的告警方式发送告警信息至相关部门。
本发明提供了一种基于神经网络对滑坡累积位移趋势进行预测的方法及系统,包括:对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用滑坡样本训练集和滑坡样本测试进行训练和测试,以确定训练好的滑坡累积位移趋势预测模型;获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。本发明采用BP神经网络法对滑坡累积位移进行趋势性预测,从而判定滑坡发生的可能性,该方法计算迅速、准确度较高,方便检测。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的基于神经网络对滑坡累积位移趋势进行预测的方法100的流程图;
图2为根据本发明实施方式的误差反传的示意图;以及
图3为根据本发明实施方式的基于神经网络对滑坡累积位移趋势进行预测的系统300的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的基于神经网络对滑坡累积位移趋势进行预测的方法100的流程图。如图1所示,本发明实施方式提供的基于神经网络对滑坡累积位移趋势进行预测的方法,采用BP神经网络法对滑坡累积位移进行趋势性预测,从而判定滑坡发生的可能性,该方法计算迅速、准确度较高,方便检测。本发明实施方式提供的基于神经网络对滑坡累积位移趋势进行预测的方法100,从步骤101处开始,在步骤101对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;其中,每个滑坡样本的滑坡数据,包括:多个外界影响因素的数值以及在这些外界影响因素的作用下的滑坡累积位移值。
优选地,其中所述对获取的历史滑坡数据进行预处理,包括:
剔除所述历史滑坡数据中由于突发因素造成滑坡的滑坡数据,并对剩余的滑坡数据采用线性函数转换法进行归一化处理,以获取滑坡样本数据集。
在本发明的实施方式中,为了保证能够准确地对预测模型进行训练和测试,因此对获取的历史滑坡数据进行筛选和归一化处理,以获取滑坡样本数据集。
在步骤102,按照预设的样本比例阈值将所述滑坡样本数据训练集分为滑坡样本训练集和滑坡样本测试集,确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型。
优选地,其中所述基于BP神经网络算法的滑坡累积位移趋势预测模型,包括:输入层、输出层和隐含层;输入层每个节点对应的输入信号就是外接影响因素;在隐含层中设置隐含层的层数以及各层的节点数,以及传递函数、最大训练次数和最小精度;输出层根据预测结果的类别设置。
优选地,其中所述用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型,包括:
设置模型参数,包括:设置输入层输入信号的选择,设置隐含层的层数和每次的节点数,设置出输出层的节点数、学习速率和传递函数;
利用滑坡样本训练集进行训练,包括:按前向传播方向进行,从输入层至隐含层至输出层的方向,得到各神经元的输出值,直至得到最后输出层的输出值;按反向传播方向进行,根据输出层的实际输出和期望输出值之间的误差,来调整节点间的连接权值,使得误差达到最小,以确定当前的滑坡累积位移趋势预测模型;
利用滑坡样本测试集进行测试,若测试结果满足预设的准确率阈值,则确定当前的滑坡累积位移趋势预测模型即为训练好的滑坡累积位移趋势预测模型;反之,则重新进行测试和训练。
滑坡预报按照滑坡的变形破坏阶段所划分的时间尺度可以分为中长期预报,短期预报和临滑预报。中长期预报,滑坡(或称斜坡)尚处于初始变形或等速变形阶段,预报尺度较长,一般超过半年;短期预报,滑坡处于加速阶段,预报尺度为数月或数十天;临滑预报,滑坡经进入了临滑阶段,预报尺度为数天或数十小时。长期预报往往很难对滑坡的发生时间作出预报,只能对滑坡变形演化情况作趋势性预测,同时在短期预报和临滑预报也必须要选择适宜的预报模型和方法才有可能作出较为准确的预报结果。本发明位趋势性预测方面,是对滑坡定量预报方面监控并提出新的预报方法。
趋势性预测是指当滑坡进入等速变形阶段或初加速度阶段但还没有进入中加速阶段时,对其发展变化趋势作出的一种预测。滑坡还未进入中加速变形阶段时,滑坡的变形速率相对较稳定,规律性较强,此时可以采取神经网络法对滑坡累积位移进行趋势性预测。
BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,BP神经网络模型的一种比较典型的互联模式,是一个多层感知器结构,即由输入层、输出层和若干隐含层。输入层每个节点对应的收入信号就是所选择的影响因子,在隐含层中可以设置隐含层的层数以及各层的节点数,以及传递函数、最大训练次数、最小精度等。输出层的节点是可以设置的,如果设置为两个节点则是(0,1)、(1、0)的情况,分别表示“不滑坡”“会滑坡”,它可以很直观呈现是否滑坡。
预测滑坡的第一步为设置各项参数;其中,包含输入层输入信号的选择,同时也需设置出输出层的节点数、学习速率、传递函数等。
第二步,采用线性函数转换法进行数据转换,包括:
其中,x为转换前的值,y是转换后的值,emax表示样本最大值,emin表示样本最小值。
第三步,进行模型训练。BP神经网络学习过程是一个误差边反向传播边修正的过程,分为两个阶段进行,如图的2所示,第一阶段按前向传播方向进行,按照输入层至隐含层至输出层的方向,可以得到各神经元的输出值,直至得到最后输出层的输出值;第二阶段按反向传播方向进行,根据输出层的实际输出和期望输出值之间的误差,来调整节点间的连接权值,使得误差达到最小。
即设有学习样本(x1p,x2p,…,x3p;tp)(p为样本数),在给出网络向量W的权值后,可以通过公式:
以及网络的输出值Yk,并定义网络的输出误差为:
dp=tp-Yk,
在反向传播算法中,是沿着误差函数ep随W变化的负梯度方向对W进行修正的。设W的修正值为Δω,取:
其中,η为学习率,取0~1之间的数。将定义网络的输出误差、定义误差函数代入公式Δω中,则有:
最后,进行网络泛化,训练神经网络主要是为了确保训练好的网络模型对非训练的样本具有泛化能力,泛化能力是指分析建立的网络模型对样本所含有的规律的接近情况,同时也应该用非训练样本误差的大小也表示和评价,根据网络泛化的结果能够确定最终训练好的滑坡累积位移趋势预测模型。
在步骤103,获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并根据经过处理的滑坡数据,利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。
优选地,其中所述方法还包括:
当所述预测位置的滑坡累积位移趋势的预测结果表明所述预测位置将发生滑坡时,按照预设的告警方式发送告警信息至相关部门。
图3为根据本发明实施方式的基于神经网络对滑坡累积位移趋势进行预测的系统300的结构示意图。如图3所示,本发明实施方式提供的基于神经网络对滑坡累积位移趋势进行预测的系统300,包括:样本数据获取单元301、滑坡累积位移趋势预测模型确定单元302和滑坡累积位移趋势预测单元303。
优选地,所述样本数据获取单元301,用于对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;其中,每个滑坡样本的滑坡数据,包括:多个外界影响因素的数值以及在这些外界影响因素的作用下的滑坡累积位移值。
优选地,其中所述样本数据获取单元301,对获取的历史滑坡数据进行预处理,包括:
剔除所述历史滑坡数据中由于突发因素造成滑坡的滑坡数据,并对剩余的滑坡数据采用线性函数转换法进行归一化处理,以获取滑坡样本数据集。
优选地,所述滑坡累积位移趋势预测模型确定单元302,用于按照预设的样本比例阈值将所述滑坡样本数据训练集分为滑坡样本训练集和滑坡样本测试集,确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型。
优选地,其中所述基于BP神经网络算法的滑坡累积位移趋势预测模型,包括:输入层、输出层和隐含层;输入层每个节点对应的输入信号就是外接影响因素;在隐含层中设置隐含层的层数以及各层的节点数,以及传递函数、最大训练次数和最小精度;输出层根据预测结果的类别设置。
优选地,其中所述滑坡累积位移趋势预测模型确定单元302,利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型,包括:
设置模型参数,包括:设置输入层输入信号的选择,设置隐含层的层数和每次的节点数,设置出输出层的节点数、学习速率和传递函数;
利用滑坡样本训练集进行训练,包括:按前向传播方向进行,从输入层至隐含层至输出层的方向,得到各神经元的输出值,直至得到最后输出层的输出值;按反向传播方向进行,根据输出层的实际输出和期望输出值之间的误差,来调整节点间的连接权值,使得误差达到最小,以确定当前的滑坡累积位移趋势预测模型;
利用滑坡样本测试集进行测试,若测试结果满足预设的准确率阈值,则确定当前的滑坡累积位移趋势预测模型即为训练好的滑坡累积位移趋势预测模型;反之,则重新进行测试和训练。
优选地,所述滑坡累积位移趋势预测单元303,用于获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并根据经过处理的滑坡数据,利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。
优选地,其中所述系统还包括:
告警单元,用于当所述预测位置的滑坡累积位移趋势的预测结果表明所述预测位置将发生滑坡时,按照预设的告警方式发送告警信息至相关部门。
本发明的实施例的基于神经网络对滑坡累积位移趋势进行预测的系统300与本发明的另一个实施例的基于神经网络对滑坡累积位移趋势进行预测的方法100相对应,在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于神经网络对滑坡累积位移趋势进行预测的方法,其特征在于,所述方法包括:
对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;其中,每个滑坡样本的滑坡数据,包括:多个外界影响因素的数值以及在这些外界影响因素的作用下的滑坡累积位移值;
按照预设的样本比例阈值将所述滑坡样本数据训练集分为滑坡样本训练集和滑坡样本测试集,确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型;
获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并根据经过处理的滑坡数据,利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。
2.根据权利要求1所述的方法,其特征在于,所述对获取的历史滑坡数据进行预处理,包括:
剔除所述历史滑坡数据中由于突发因素造成滑坡的滑坡数据,并对剩余的滑坡数据采用线性函数转换法进行归一化处理,以获取滑坡样本数据集。
3.根据权利要求1所述的方法,其特征在于,所述基于BP神经网络算法的滑坡累积位移趋势预测模型,包括:输入层、输出层和隐含层;输入层每个节点对应的输入信号就是外接影响因素;在隐含层中设置隐含层的层数以及各层的节点数,以及传递函数、最大训练次数和最小精度;输出层根据预测结果的类别设置。
4.根据权利要求1所述的方法,其特征在于,所述用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型,包括:
设置模型参数,包括:设置输入层输入信号的选择,设置隐含层的层数和每次的节点数,设置出输出层的节点数、学习速率和传递函数;
利用滑坡样本训练集进行训练,包括:按前向传播方向进行,从输入层至隐含层至输出层的方向,得到各神经元的输出值,直至得到最后输出层的输出值;按反向传播方向进行,根据输出层的实际输出和期望输出值之间的误差,来调整节点间的连接权值,使得误差达到最小,以确定当前的滑坡累积位移趋势预测模型;
利用滑坡样本测试集进行测试,若测试结果满足预设的准确率阈值,则确定当前的滑坡累积位移趋势预测模型即为训练好的滑坡累积位移趋势预测模型;反之,则重新进行测试和训练。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述预测位置的滑坡累积位移趋势的预测结果表明所述预测位置将发生滑坡时,按照预设的告警方式发送告警信息至相关部门。
6.一种基于神经网络对滑坡累积位移趋势进行预测的系统,其特征在于,所述系统包括:
样本数据获取单元,用于对获取的历史滑坡数据进行预处理,以获取滑坡样本数据集;其中,每个滑坡样本的滑坡数据,包括:多个外界影响因素的数值以及在这些外界影响因素的作用下的滑坡累积位移值;
滑坡累积位移趋势预测模型确定单元,用于按照预设的样本比例阈值将所述滑坡样本数据训练集分为滑坡样本训练集和滑坡样本测试集,确定基于BP神经网络算法的滑坡累积位移趋势预测模型,并利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型;
滑坡累积位移趋势预测单元,用于获取预测位置当前的滑坡数据,对当前的滑坡数据进行预处理,并根据经过处理的滑坡数据,利用所述训练好的滑坡累积位移趋势预测模型,对所述预测位置的滑坡累积位移趋势进行预测。
7.根据权利要求6所述的系统,其特征在于,所述样本数据获取单元,对获取的历史滑坡数据进行预处理,包括:
剔除所述历史滑坡数据中由于突发因素造成滑坡的滑坡数据,并对剩余的滑坡数据采用线性函数转换法进行归一化处理,以获取滑坡样本数据集。
8.根据权利要求6所述的系统,其特征在于,所述基于BP神经网络算法的滑坡累积位移趋势预测模型,包括:输入层、输出层和隐含层;输入层每个节点对应的输入信号就是外接影响因素;在隐含层中设置隐含层的层数以及各层的节点数,以及传递函数、最大训练次数和最小精度;输出层根据预测结果的类别设置。
9.根据权利要求6所述的系统,其特征在于,所述滑坡累积位移趋势预测模型确定单元,利用所述滑坡样本训练集对所述滑坡累积位移趋势预测模型进行训练,利用所述滑坡样本测试集对所述滑坡累积位移预测模型进行测试,以确定训练好的滑坡累积位移趋势预测模型,包括:
设置模型参数,包括:设置输入层输入信号的选择,设置隐含层的层数和每次的节点数,设置出输出层的节点数、学习速率和传递函数;
利用滑坡样本训练集进行训练,包括:按前向传播方向进行,从输入层至隐含层至输出层的方向,得到各神经元的输出值,直至得到最后输出层的输出值;按反向传播方向进行,根据输出层的实际输出和期望输出值之间的误差,来调整节点间的连接权值,使得误差达到最小,以确定当前的滑坡累积位移趋势预测模型;
利用滑坡样本测试集进行测试,若测试结果满足预设的准确率阈值,则确定当前的滑坡累积位移趋势预测模型即为训练好的滑坡累积位移趋势预测模型;反之,则重新进行测试和训练。
10.根据权利要求6所述的系统,其特征在于,所述系统还包括:
告警单元,用于当所述预测位置的滑坡累积位移趋势的预测结果表明所述预测位置将发生滑坡时,按照预设的告警方式发送告警信息至相关部门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369554.8A CN111199313A (zh) | 2019-12-26 | 2019-12-26 | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911369554.8A CN111199313A (zh) | 2019-12-26 | 2019-12-26 | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111199313A true CN111199313A (zh) | 2020-05-26 |
Family
ID=70747094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911369554.8A Pending CN111199313A (zh) | 2019-12-26 | 2019-12-26 | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111199313A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667125A (zh) * | 2020-08-10 | 2020-09-15 | 成都嘉捷信诚信息技术有限公司 | 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 |
CN111898247A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
CN112183835A (zh) * | 2020-09-21 | 2021-01-05 | 南京南瑞继保电气有限公司 | 基于机器学习的水导瓦温度趋势预警方法、装置及系统 |
CN112712197A (zh) * | 2020-12-17 | 2021-04-27 | 杭州鲁尔物联科技有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
CN114429189A (zh) * | 2022-01-27 | 2022-05-03 | 成都理工大学 | 一种高泛用性滑坡位移速率预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578093A (zh) * | 2017-09-14 | 2018-01-12 | 长安大学 | 滑坡变形的Elman神经网络动态预测方法 |
CN109492793A (zh) * | 2018-09-29 | 2019-03-19 | 桂林电子科技大学 | 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN109885977A (zh) * | 2019-03-25 | 2019-06-14 | 成都理工大学 | 一种岸坡变形预测方法 |
-
2019
- 2019-12-26 CN CN201911369554.8A patent/CN111199313A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578093A (zh) * | 2017-09-14 | 2018-01-12 | 长安大学 | 滑坡变形的Elman神经网络动态预测方法 |
CN109492793A (zh) * | 2018-09-29 | 2019-03-19 | 桂林电子科技大学 | 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法 |
CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
CN109885977A (zh) * | 2019-03-25 | 2019-06-14 | 成都理工大学 | 一种岸坡变形预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898247A (zh) * | 2020-07-02 | 2020-11-06 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
CN111898247B (zh) * | 2020-07-02 | 2023-05-26 | 中国地质大学(武汉) | 滑坡位移预测方法、设备及存储介质 |
CN111667125A (zh) * | 2020-08-10 | 2020-09-15 | 成都嘉捷信诚信息技术有限公司 | 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 |
CN111667125B (zh) * | 2020-08-10 | 2020-11-20 | 成都嘉捷信诚信息技术有限公司 | 一种滑坡位移预测方法、滑坡位移预测装置及存储介质 |
CN112183835A (zh) * | 2020-09-21 | 2021-01-05 | 南京南瑞继保电气有限公司 | 基于机器学习的水导瓦温度趋势预警方法、装置及系统 |
CN112183835B (zh) * | 2020-09-21 | 2022-07-22 | 南京南瑞继保电气有限公司 | 基于机器学习的水导瓦温度趋势预警方法、装置及系统 |
CN112712197A (zh) * | 2020-12-17 | 2021-04-27 | 杭州鲁尔物联科技有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN112712197B (zh) * | 2020-12-17 | 2024-01-02 | 杭州鲁尔物联科技有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
CN114429189A (zh) * | 2022-01-27 | 2022-05-03 | 成都理工大学 | 一种高泛用性滑坡位移速率预警方法 |
CN114429189B (zh) * | 2022-01-27 | 2023-06-27 | 成都理工大学 | 一种高泛用性滑坡位移速率预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199313A (zh) | 基于神经网络对滑坡累积位移趋势进行预测的方法及系统 | |
Zhou et al. | Eliminating temperature effect in vibration-based structural damage detection | |
Zhang | Statistical damage identification for bridges using ambient vibration data | |
Xu et al. | Damage detection in a girder bridge by artificial neural network technique | |
CN102034021A (zh) | 一种结构健康诊断的整体局部信息融合方法 | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN112200237A (zh) | 一种结构健康监测系统时序监测数据异常诊断方法 | |
KR20200063308A (ko) | 오토인코더를 이용한 psc 교량의 텐던 손상 추정 방법 | |
CN112712214A (zh) | 海事搜救对象轨迹预测方法、系统、装置和存储介质 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN112816352A (zh) | 工程结构损伤识别方法、装置、计算机设备及存储介质 | |
CN115310361B (zh) | 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统 | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
CN117152918A (zh) | 一种应用于区域滑坡灾害的危险性动态预警方法 | |
Zhou et al. | Prospective forecast of sliding instability time using a precursory AE time series | |
CN113962253A (zh) | 基于深度小波极限学习机的轴承剩余寿命预测方法及系统 | |
CN113742983A (zh) | 基于深度自编码器神经网络的长跨结构损伤识别方法 | |
CN112734305A (zh) | 一种路基压实质量评判方法、装置、设备及可读存储介质 | |
CN116502496A (zh) | 一种基于移动荷载与卷积神经网络的简支桥损伤检测方法 | |
Sohn et al. | Novelty detection using auto-associative neural network | |
Hakim et al. | Implementing fuzzy-based artificial intelligence approach for location of damage in structures | |
Omenzetter et al. | Quantifying the value of SHM for emergency management of bridges at-risk from seismic damage | |
Scheidegger et al. | Identifying biases in deterioration models using synthetic sewer 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 |