CN117390548A - 基于多信息源证据融合判识地灾监测数据可靠性的方法 - Google Patents
基于多信息源证据融合判识地灾监测数据可靠性的方法 Download PDFInfo
- Publication number
- CN117390548A CN117390548A CN202311375417.1A CN202311375417A CN117390548A CN 117390548 A CN117390548 A CN 117390548A CN 202311375417 A CN202311375417 A CN 202311375417A CN 117390548 A CN117390548 A CN 117390548A
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- reliability
- information source
- type
- data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 276
- 230000004927 fusion Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012806 monitoring device Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims 1
- 238000012790 confirmation Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及地质灾害防治领域,具体涉及基于多信息源证据融合判识地灾监测数据可靠性的方法,获取监测设备历史监测数据和监测设备历史监测数据获取时刻的环境监测数据,再对监测设备历史监测数据分类成设备的运行状态数据和用于预警分析的监测数据,对用于预警分析的监测数据进行可靠度判识结果的等级标记,最后基于数据进行概率机器学习模型的训练和验证,利用机器学习模型再获取监测数据可靠度的信度函数,将信度函数用于信息融合确定可靠度等级。本发明能够考虑数据采集实际情况精准提取出相应的异常特征,进行精准的数据可靠度判断确认。
Description
技术领域
本发明涉及地质灾害防治领域,具体涉及基于多信息源证据融合判识地灾监测数据可靠性的方法。
背景技术
针对地质灾害多发频发地区,以及受滑坡灾害最为严重的地区,对滑坡变形演化过程开展有效监测,并及时预警,是避免人员伤亡的重要手段,还是减小因地质灾害引起经济损失的主要手段。
目前,针对滑坡监变形过程监测主要采用的监测设备有GNSS监测设备、裂缝监测设备、倾斜监测设备等,地质灾害预警系统基于这些监测设备回传的变形或其他表征地质灾害隐患点稳定状态的监测数据,并按照一定的预警规则进行运算分析,从而判断是否发出预警信息,因此目标地质灾害隐患点监测设备回传的变形或其他表征滑坡稳定状态的监测数据的可靠性是导致预警系统预警信息是否可靠的关键。
受设备运行状态、现场气象环境等因素的影响,监测设备回传预警系统用于表征地质灾害隐患点稳定状态的监测数据,会出现异常或不能准确反映现场真实情况的概率极大,这也是造成目前地质灾害系统误报率居高不下的重要原因。
发明内容
本发明意在提供一种基于多信息源证据融合判识地灾监测数据可靠性的方法,以解决监测设备回传监测数据异常、不能准确反应现场真实情况概率大的问题。
本方案中的基于多信息源证据融合判识地灾监测数据可靠性的方法,包括以下步骤:
S1,接收地质灾害隐患点某一类监测设备的历史监测数据和对应时间点地质灾害隐患点的环境监测数据;
还包括步骤:
S2,将历史监测数据进行分类得到:用于监测设备运行过程中反映设备运行状态的第一类监测数据、监测设备回传地质灾害预警系统用于预警分析计算的第二类监测数据;
S3,根据监测设备后续监测数据及预警系统记录的现场核查记录,对S2中第二类监测数据进行分析验算并对数据异常情况进行判别,按照监测数据可靠、监测数据存疑、监测数据不可靠三个等级作为监测数据的可靠度判识结果对S2中的第二类监测数据进行标记;
S4,将环境监测数据作为监测设备第二类监测数据可靠性等级判识的第一种信息源,将第一类监测数据作为监测设备第二类监测数据可靠性等级判识的第二种信息源,将S2中的第二类监测数据的历史异常情况作为监测设备第二类监测数据可靠性等级判识的第三种信息源,分别基于第一种信息源、第二种信息源和第三种信息源,以S2中的第二类监测数据的可靠度判识结果为标签,通过机器学习算法分别构建三种基于单一信息源数据,预测监测设备第二类监测数据可靠度的概率机器学习模型并进行训练验证;
S5,基于S4中三种信息源的概率机器学习模型,分别对监测设备回传地质灾害预警系统用于预警分析计算的,第二类实时监测数据的可靠度进行判识预测,分别获取三种信息源下第二类实时监测数据可靠度的信度函数;
S6, 基于S5中三种信息源下第二类实时监测数据可靠度的信度函数,对三种信息源下的第二类实时监测数据可靠度进行信息融合分析,得到多源信息融合下的监测设备第二类实时监测数据可靠性等级。
本方案的有益效果是:
基于现场气象环境、设备运行状态、设备历史异常信息等多信息源证据融合,对监测设备回传预警系统用于表征地质灾害隐患点稳定状态的监测数据的可靠性进行实时判识分析,对监测数据异常情况进行精准的区分辨识,有利于提高后续基于数据进行预警的准确性和可靠性。
进一步,所述S3中,按照如下模型对三个等级进行确定:
;
其中, R为监测设备第二类监测数据可靠度判识结果,Va为监测设备第二类监测数据实际回传值,Vt为根据监测设备后续监测数据及现场核查记录对监测设备第二类监测数据分析得到的理论值。
有益效果是:依据实际回传值与理论值的计算,精确定义第二类监测数据偏离的情况,提高分级的精确性。
进一步,所述S4中,所述的作为监测设备第二类监测数据可靠性等级判识第三种信息源的,第二类监测数据的历史异常情况包括:24小时数据异常次数、72小时数据异常次数、120小时数据异常次数、7天数据异常次数和15天数据异常次数。
有益效果是:定义不同天数的异常频次,能够完整包含历史数据的异常情况,并准确反映不同历史阶段数据异常情况的影响。
进一步,所述S4中,所述的通过机器学习算法分别构建三种基于单一信息源数据,预测监测设备第二类监测数据可靠度的概率机器学习模型并进行训练验证的步骤包括:
S4.1,对于某时刻监测设备第二类监测数据可靠度,构建S4所述第i种信息源的相应时间的监测数据集/>,其中:i=1,2,3,/>为第i种信息源的监测数据集,/>为第i种信息源的第j个监测指标相应时间的监测数据;
S4.2,对于第一种信息源,以监测数据集中的/>以作为机器学习算法输入特征数据,监测数据可靠度/>作为输出标签数据,构建概率机器学习模型/>并基于数据进行训练和验证;
S4.3,优化机器学习模型中的参数,得到训练好的概率机器学习模型;
S4.4,对于第i种信息源,重复S4.2~S4.3,得到基于第i种信息源进行第二类监测数据可靠度判识的概率机器学习模型。
有益效果是:对概率机器学习模型的训练验证,能够让模型后续进行数据可靠性判别结果精准性更高,对不同信息源选用不同的概率机器学习模型,能够实现对不同信息源对数据可靠性判别影响的准确表征。
进一步,所述S5中,所述的判识预测步骤包括:
S5.1.1,对第二类实时监测数据的可靠度,基于S4.1构建的监测数据集创建用于预测实时监测数据可靠度/>的输入数据集合/>,/>表示第i种信息源中用于实时监测数据可靠度/>的监测参数;
S5.1.2,对于第i种信息源,将数据集合输入训练好的概率机器学习模型/>;
S5.1.3,由概率机器学习模型返回基于第i种信息源的实时可靠度预测结果/>;
S5.1.4,对于第i种信息源i=1,2,3,重复S5.1.1~S5.1.3,得到基于第i种信息源的实时预测结果。
进一步,基于第i种信息源的实时可靠度预测结果包括:监测设备第二类监测数据可靠度判识结果“监测数据可靠、监测数据存疑、监测数据不可靠”三个等级对应的概率分布函数。
进一步,所述S5中,所述的分别获取三种信息源下第二类实时监测数据可靠度的信度函数,的步骤包括:
S5.2.1,对于第i种信息源,基于S4中训练好的概率机器学习模型对第二类实时监测数据的可靠度进行预测,得到基于第i种信息源的实时可靠度预测结果/>,即实时监测数据可靠度等级的概率分布函数;
S5.2.2,将基于第i种信息源的实时可靠度预测结果,即实时监测数据可靠度等级的概率分布函数作为基于第i种信息源的第二类实时监测数据可靠度的信度函数/>;
S5.2.3,重复S5.2.1、S5.2.2,分别得到三种信息源下第二类实时监测数据可靠度的信度函数。
有益效果是:利用概率分布函数作为实时可靠度的信度函数,能够准确反应不同可靠度等级对应的概率分布,最大化保留基于不同信息源得到的可靠度判识结果的原始信息。
进一步,所述S6中,所述的对三种信息源下的第二类实时监测数据可靠度进行信息融合分析,得到多源信息融合下的监测设备第二类实时监测数据可靠性等级,的步骤包括:
S6.1,假设第i种信息源下第二类实时监测数据可靠度的信度函数的权重和可靠性分别为/>和/>,各信息源第二类实时监测数据可靠度的加权信度函数计算方式如下式:
;
其中:={监测数据可靠,监测数据存疑,监测数据不可靠},其所有子集构成的集合,即幂集记作/>;
;
;
,且/>,/>,n=3;
,且/>,单一信息源可靠度判识结果三个等级的在S4中概率机器学习模型训练验证过程中获得;
S6.2,对三种信息源的判识结果进行信息融合运算,得到基于多信息源证据融合的地灾监测数据可靠性判识结果,信息源信息融合运算方法见下式:
;
;
其中,下标1和下标2表示两种不同的信息源,A、B、C、D均为的子集,且满足:且/>;
当第一种信息源和第二种信息源融合运算完成后,将运算结果按照同样运算方式与第三中信息源进行融合运算,得到三种信息源融合运算后的地灾监测数据可靠性判识结果。
有益效果是:通过引入权重和可靠性对基于不同信息源得到的数据可靠性判识结果进行判断和表征,合理区分各信息源的重要性,提升信息融合后结果的准确性。
附图说明
图1为本发明基于多信息源证据融合判识地灾监测数据可靠性的方法实施例的流程框图。
具体实施方式
下面通过具体实施方式进一步详细说明。
实施例
基于多信息源证据融合判识地灾监测数据可靠性的方法,如图1所示,包括以下步骤:
S1,接收地质灾害隐患点某一类监测设备的历史监测数据和对应时间点地质灾害隐患点的环境监测数据,所述环境监测数据包括气温、湿度、风力等级、降水强度。
S2,将历史监测数据进行分类得到:用于监测设备运行过程中反映设备运行状态的第一类监测数据、监测设备回传地质灾害预警系统用于预警分析计算的第二类监测数据,第一类监测数据包括电压、电流、温度、信号强度、参与解算卫星数量、查分解译延迟时间等,第二监测数据包括位移、倾角、应力等。
S3,根据监测设备后续监测数据及预警系统记录的现场核查记录,后续监测数据就是一般数据,在一段时间内或持续增大或持续减小,不出现跳变,如1123344445677665432,现场核查记录就是出现跳变就判断为数据异常,如突然增大或减小,从而就会出现预警,然后会进行现场核查,如果有异常就说明数据为真,没有异常就说明数据为假,如12345167189,这里面后面两个1就很有可能的是异常数据,对S2中第二类监测数据进行分析验算并对数据异常情况进行判别,按照监测数据可靠、监测数据存疑、监测数据不可靠三个等级作为监测数据的可靠度判识结果,对S2中的第二类监测数据进行标记,按照如下模型对三个等级进行确定:
;
其中,R为监测设备第二类监测数据可靠度判识结果,Va为监测设备第二类监测数据实际回传值,Vt为根据监测设备后续监测数据及现场核查记录对监测设备第二类监测数据分析得到的理论值。
S4,将环境监测数据作为监测设备第二类监测数据可靠性等级判识的第一种信息源,将第一类监测数据作为监测设备第二类监测数据可靠性等级判识的第二种信息源,将S2中的第二类监测数据的历史异常情况作为监测设备第二类监测数据可靠性等级判识的第三种信息源,分别基于第一种信息源、第二种信息源和第三种信息源,以S2中的第二类监测数据的可靠度判识结果为标签,通过机器学习算法分别构建三种基于单一信息源数据,预测监测设备第二类监测数据可靠度的概率机器学习模型并进行训练验证。机器学习算法可用现有算法,例如KNN、SVM等。
所述的作为监测设备第二类监测数据可靠性等级判识第三种信息源的,第二类监测数据的历史异常情况包括:24小时数据异常次数、72小时数据异常次数、120小时数据异常次数、7天数据异常次数和15天数据异常次数。
通过机器学习算法分别构建三种基于单一信息源数据,预测监测设备第二类监测数据可靠度的概率机器学习模型并进行训练验证的步骤包括:
S4.1,对于某时刻监测设备第二类监测数据可靠度,构建S4所述第i种信息源的相应时间的监测数据集/>,其中:/>为第i种信息源的监测数据集,/>为第i种信息源的第j个监测指标相应时间的监测数据;
S4.2,对于第一种信息源,以监测数据集中的/>以作为机器学习算法输入特征数据,监测数据可靠度/>作为输出标签数据,构建概率机器学习模型/>并基于数据进行训练和验证;
S4.3,利用贝叶斯优化、粒子群优化、网格搜索等方法对概率机器学习模型中的超参数进行调优,得到训练好的概率机器学习模型;
S4.4,对于第i种信息源,重复S4.2~S4.3,得到基于第i种信息源进行第二类监测数据可靠度判识的概率机器学习模型。
S5,基于S4中三种信息源的概率机器学习模型,分别对监测设备回传地质灾害预警系统用于预警分析计算的,第二类实时监测数据的可靠度进行判识预测,分别获取三种信息源下第二类实时监测数据可靠度的信度函数。
所述的判识预测步骤包括:
S5.1.1,对第二类实时监测数据的可靠度,基于S4.1构建的监测数据集创建用于预测实时监测数据可靠度/>的输入数据集合/>,/>表示第i种信息源中用于实时监测数据可靠度/>的监测参数;
S5.1.2,对于第i种信息源,将数据集合输入训练好的概率机器学习模型/>;
S5.1.3,由概率机器学习模型返回基于第i种信息源的实时可靠度预测结果/>;
S5.1.4,对于第i种信息源i=1,2,3,重复S5.1.1~S5.1.3,得到基于第i种信息源的实时预测结果。
特别的,基于第i种信息源的实时可靠度预测结果包括:监测设备第二类监测数据可靠度判识结果“监测数据可靠、监测数据存疑、监测数据不可靠”三个等级对应的概率分布函数,概率分布函数为k=3(三个可靠度等级)的多项分布。
所述的分别获取三种信息源下第二类实时监测数据可靠度的信度函数,的步骤包括:
S5.2.1,对于第i种信息源,基于S4中训练好的概率机器学习模型对第二类实时监测数据的可靠度进行预测,得到基于第i种信息源的实时可靠度预测结果/>,即实时监测数据可靠度等级的概率分布函数;
S5.2.2,将基于第i种信息源的实时可靠度预测结果,即实时监测数据可靠度等级的概率分布函数,作为基于第i种信息源的第二类实时监测数据可靠度的信度函数/>;
S5.2.3,重复S5.2.1、S5.2.2,分别得到三种信息源下第二类实时监测数据可靠度的信度函数。
S6, 基于S5中三种信息源下第二类实时监测数据可靠度的信度函数,对三种信息源下的第二类实时监测数据可靠度进行信息融合分析,得到多源信息融合下的监测设备第二类实时监测数据可靠性等级。所述的对三种信息源下的第二类实时监测数据可靠度进行信息融合分析,得到多源信息融合下的监测设备第二类实时监测数据可靠性等级,的步骤包括:
S6.1,假设第i种信息源下第二类实时监测数据可靠度的信度函数的权重和可靠性分别为/>和/>,各信息源第二类实时监测数据可靠度的加权信度函数计算方式如下式:
;
其中:={监测数据可靠,监测数据存疑,监测数据不可靠},其所有子集构成的集合,即幂集记作/>;
;
;
,且/>,/>,n=3;
,且/>,单一信息源可靠度判识结果三个等级的在S4中概率机器学习模型训练验证过程中获得,/>表示对应可靠度等级的概率;
S6.2,对三种信息源的判识结果进行信息融合运算,得到基于多信息源证据融合的地灾监测数据可靠性判识结果,信息源信息融合运算方法见下式:
;
;
其中,下标1和下标2表示两种不同的信息源,A、B、C、D均为的子集,且满足:且/>。
当第一种信息源和第二种信息源融合运算完成后,将运算结果按照同样运算方式与第三中信息源进行融合运算,得到三种信息源融合运算后的地灾监测数据可靠性判识结果。
S6.2中,公式计算的含义表示,当第一种信息源和第二种信息源融合运算完成后,将得到运算结果按照同样的信息融合运算方式与第三种信息源进行融合运算,得到三种信息源融合运算后的地灾监测数据可靠性判识结果,也可以是先第一种信息源和第三种信息源融合运算后,再与第二种信息源融合运算,还可以是先第二种信息源和第三种信息源融合运算完成后,再与第一种信息源融合运算。
本实施例同时获取历史监测数据和历史监测数据获取时刻的环境监测数据,能够准确获得数据采集的环境情况,再对历史监测数据分类成设备的运行数据和用于预警分析的第二类监测数据,对用于预警分析的数据进行可靠度判识结果的等级标记,最后基于第二类监测数据的历史数据进行概率机器学习模型的搭建和验证,利用模型再获取监测数据可靠度的信度函数,将信度函数用于信息融合确定可靠度等级,能够考虑数据采集实际情况精准提取出相应的异常特征,进行精准的数据可靠度判断确认,以作为后续进行精准预警的参考。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于多信息源证据融合判识地灾监测数据可靠性的方法,包括以下步骤:
S1,接收地质灾害隐患点某一类监测设备的历史监测数据和对应时间点地质灾害隐患点的环境监测数据;
其特征在于,还包括步骤:
S2,将历史监测数据进行分类得到:用于监测设备运行过程中反映设备运行状态的第一类监测数据、监测设备回传地质灾害预警系统用于预警分析计算的第二类监测数据;
S3,根据监测设备后续监测数据及预警系统记录的现场核查记录,对S2中第二类监测数据进行分析验算并对数据异常情况进行判别,按照监测数据可靠、监测数据存疑、监测数据不可靠三个等级作为监测数据的可靠度判识结果对S2中的第二类监测数据进行标记;
S4,将环境监测数据作为监测设备第二类监测数据可靠性等级判识的第一种信息源,将第一类监测数据作为监测设备第二类监测数据可靠性等级判识的第二种信息源,将S2中的第二类监测数据的历史异常情况作为监测设备第二类监测数据可靠性等级判识的第三种信息源,分别基于第一种信息源、第二种信息源和第三种信息源,以S2中的第二类监测数据的可靠度判识结果为标签,通过机器学习算法分别构建三种基于单一信息源数据,预测监测设备第二类监测数据可靠度的概率机器学习模型并进行训练验证;
S5,基于S4中三种信息源的概率机器学习模型,分别对监测设备回传地质灾害预警系统用于预警分析计算的,第二类实时监测数据的可靠度进行判识预测,分别获取三种信息源下第二类实时监测数据可靠度的信度函数;
S6,基于S5中三种信息源下第二类实时监测数据可靠度的信度函数,对三种信息源下的第二类实时监测数据可靠度进行信息融合分析,得到多源信息融合下的监测设备第二类实时监测数据可靠性等级。
2.根据权利要求1所述的基于多信息源证据融合判识地灾监测数据可靠性的方法,其特征在于:所述S3中,按照如下模型对三个等级进行确定:
;
其中, R为监测设备第二类监测数据可靠度判识结果,Va为监测设备第二类监测数据实际回传值,Vt为根据监测设备后续监测数据及现场核查记录对监测设备第二类监测数据分析得到的理论值。
3.根据权利要求1所述的基于多信息源证据融合判识地灾监测数据可靠性的方法,其特征在于:所述S4中,所述的作为监测设备第二类监测数据可靠性等级判识第三种信息源的,第二类监测数据的历史异常情况包括:24小时数据异常次数、72小时数据异常次数、120小时数据异常次数、7天数据异常次数和15天数据异常次数。
4.根据权利要求3所述的基于多信息源证据融合判识地灾监测数据可靠性的方法,其特征在于:所述S4中,所述的通过机器学习算法分别构建三种基于单一信息源数据,预测监测设备第二类监测数据可靠度的概率机器学习模型并进行训练验证的步骤包括:
S4.1,对于某时刻监测设备第二类监测数据可靠度,构建S4所述第i种信息源的相应时间的监测数据集/>,其中:/>为第i种信息源的监测数据集,/>为第i种信息源的第j个监测指标相应时间的监测数据;
S4.2,对于第一种信息源,以监测数据集中的/>以作为机器学习算法输入特征数据,监测数据可靠度/>作为输出标签数据,构建概率机器学习模型/>并基于数据进行训练和验证;
S4.3,优化机器学习模型中的参数,得到训练好的概率机器学习模型;
S4.4,对于第i种信息源,重复S4.2~S4.3,得到基于第i种信息源进行第二类监测数据可靠度判识的概率机器学习模型。
5.根据权利要求4所述的基于多信息源证据融合判识地灾监测数据可靠性的方法,其特征在于:所述S5中,所述的判识预测步骤包括:
S5.1.1,对第二类实时监测数据的可靠度,基于S4.1构建的监测数据集/>创建用于预测实时监测数据可靠度/>的输入数据集合/>, />表示第i种信息源中用于实时监测数据可靠度/>的监测参数;
S5.1.2,对于第i种信息源,将数据集合输入训练好的概率机器学习模型/>;
S5.1.3,由概率机器学习模型返回基于第i种信息源的实时可靠度预测结果/>;
S5.1.4,对于第i种信息源i=1,2,3,重复S5.1.1~S5.1.3,得到基于第i种信息源的实时预测结果。
6.根据权利要求5所述的基于多信息源证据融合判识地灾监测数据可靠性的方法,其特征在于:基于第i种信息源的实时可靠度预测结果包括:监测设备第二类监测数据可靠度判识结果“监测数据可靠、监测数据存疑、监测数据不可靠”三个等级对应的概率分布函数。
7.根据权利要求5所述的基于多信息源证据融合判识地灾监测数据可靠性的方法,其特征在于:所述S5中,所述的分别获取三种信息源下第二类实时监测数据可靠度的信度函数,的步骤包括:
S5.2.1,对于第i种信息源,基于S4中训练好的概率机器学习模型对第二类实时监测数据的可靠度进行预测,得到基于第i种信息源的实时可靠度预测结果/>,即实时监测数据可靠度等级的概率分布函数;
S5.2.2,将基于第i种信息源的实时可靠度预测结果,即实时监测数据可靠度等级的概率分布函数作为基于第i种信息源的第二类实时监测数据可靠度的信度函数/>;
S5.2.3,重复S5.2.1、S5.2.2,分别得到三种信息源下第二类实时监测数据可靠度的信度函数。
8.根据权利要求5所述的基于多信息源证据融合判识地灾监测数据可靠性的方法,其特征在于:所述S6中,所述的对三种信息源下的第二类实时监测数据可靠度进行信息融合分析,得到多源信息融合下的监测设备第二类实时监测数据可靠性等级,的步骤包括:
S6.1,假设第i种信息源下第二类实时监测数据可靠度的信度函数的权重和可靠性分别为/>和/>,各信息源第二类实时监测数据可靠度的加权信度函数计算方式如下式:
;
其中:={监测数据可靠,监测数据存疑,监测数据不可靠},其所有子集构成的集合,即幂集记作/>;
;
;
,且/>,/>,n=3;
,且/>,单一信息源可靠度判识结果三个等级的/>在S4中概率机器学习模型训练验证过程中获得;
S6.2,对三种信息源的判识结果进行信息融合运算,得到基于多信息源证据融合的地灾监测数据可靠性判识结果,信息源信息融合运算方法见下式:
;
;
其中,下标1和下标2表示两种不同的信息源,A、B、C、D均为的子集,且满足:/>且;
当第一种信息源和第二种信息源融合运算完成后,将运算结果按照同样运算方式与第三中信息源进行融合运算,得到三种信息源融合运算后的地灾监测数据可靠性判识结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375417.1A CN117390548A (zh) | 2023-10-23 | 2023-10-23 | 基于多信息源证据融合判识地灾监测数据可靠性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311375417.1A CN117390548A (zh) | 2023-10-23 | 2023-10-23 | 基于多信息源证据融合判识地灾监测数据可靠性的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117390548A true CN117390548A (zh) | 2024-01-12 |
Family
ID=89462580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311375417.1A Pending CN117390548A (zh) | 2023-10-23 | 2023-10-23 | 基于多信息源证据融合判识地灾监测数据可靠性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390548A (zh) |
-
2023
- 2023-10-23 CN CN202311375417.1A patent/CN117390548A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106888205B (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
CN111177714B (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN109034191A (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN110082429A (zh) | 一种结合机器学习的隧道衬砌无损检测的辅助判定方法 | |
CN116127396A (zh) | 一种基于智慧燃气的燃气泄漏判别方法和物联网系统 | |
CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
Anaissi et al. | Multi-objective variational autoencoder: an application for smart infrastructure maintenance | |
Soo Lon Wah et al. | Damage detection under temperature conditions using PCA–an application to the Z24 Bridge | |
CN117368651B (zh) | 一种配电网故障综合分析系统及方法 | |
CN117094184B (zh) | 基于内网平台的风险预测模型的建模方法、系统及介质 | |
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 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
CN117390548A (zh) | 基于多信息源证据融合判识地灾监测数据可靠性的方法 | |
McGovern et al. | Quasi-operational testing of real-time storm-longevity prediction via machine learning | |
CN106685926A (zh) | 信息系统安全等级测评方法和系统 | |
CN116522790A (zh) | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 | |
CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
Arpishkin et al. | Intelligent integrity monitoring system for technological process data | |
CN104463137A (zh) | 基于特征空间分裂的异常人脸图像检测方法及系统 | |
CN117373211A (zh) | 基于监测数据可靠性判识降低地灾预警系统误报率的方法 | |
CN117113259B (zh) | 用于安全隐患预测的煤矿状态数据处理方法及系统 | |
Marasco et al. | AI based bridge health assessment | |
CN104731955A (zh) | 风电机组油液监测诊断标准建立及智能诊断方法及系统 | |
CN117579393B (zh) | 一种信息终端威胁监测方法、装置、设备及存储介质 |
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 |