[发明专利]一种基于RBF神经网络的滑坡灾害预报方法

权利要求书

1.一种基于RBF神经网络的滑坡灾害预报方法，其特征在于，具体按照以下步骤实施：

步骤1，构建滑坡灾害在线监测预报系统，并进行实时监测得到成灾因子数据，通过MIV算法筛选后将实时监测得到的成灾因子数据作为输入变量；

MIV算法筛选的具体过程为：

(1)：将滑坡灾害在线监测预报系统中的传感器采集模块部分中监测的数据矩阵P在基础上加、减10％变成新的样本数据矩阵P1，P2；

(2)：使用拉格朗日插值法对P1，P2中每个数据进行计算得出对应的结果L1，L2；L1，L2分别是P1，P2矩阵经过公式(1)之后计算后得出的矩阵：

其中，L_i(x)指对P1与P2矩阵中每一个变量x_i进行拉格朗日插值法计算的每个变量的结果，x指P矩阵中均值，x_k表示第k行的均值，x_i表示变量；

(3)：对L1和L2通过MATLAB进行仿真，得到MIV值，得出输入量变量相对重要性排序；

步骤2，建立基于RBF神经网络的滑坡预报模型；

步骤3，将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中，由预报模型对输入的成灾因子数据进行处理，完成对滑坡灾害成灾概率的预测及预报；具体过程如下：

将步骤1得到的成灾因子数据输入到步骤2建立的滑坡预报模型中进行训练；第一步采用非监督式的学习训练RBF层神经元的权值，第二步采用监督式学习训练线性输出层神经元的权值，训练仍然需要给出的输入、输出向量矩阵及神经元的伸展常数σ，训练的目的是求得神经元之间的权值w^H、w^O及偏差b^H、b^O；

设隐含层有M个神经元，当隐含层神经元权值w^H确定后，则神经元的输出为：

由于RBF神经网络的学习属于有监督学习，那么神经网络权系数的学习问题就转化成多元线性函数求极值的问题，因此，选择递推最小二乘法构造目标函数如下所示：

按照负梯度方向调整权系数，即

使得偏导数为零，得出权值；

阀值改变量ΔB_k(n)具体按照以下算法经计算获得：

在式(10)中：a为正常量学习率，N为输入变量个数，n为迭代层数，δ_k为节点j的误差项；

更新后的阀值B_k(n+1)具体按照以下算法经计算获得：

B_k(n+1)＝B_k(n)+ΔB_k(n) (11)

于是不断重复公式(7)-(11)计算权值阈值并不断更新从而得到最佳调整权值；

最后根据不断迭代得到网络最后输出关系：

2.根据权利要求1所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，步骤1中滑坡灾害在线监测预报系统的结构为：包括多个无线智能传感器模块和现场预报终端模块，多个无线智能传感器模块分别与现场预报终端模块通过ZigBee模块进行通讯连接，现场预报终端模块通过GPRS通讯方式与控制中心连接。

3.根据权利要求2所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，所述现场预报终端模块包括中央处理器和分别与中央处理器连接的电源模块、存储模块及GPRS模块，GPRS模块与控制中心通过GPRS通讯方式连接。

4.根据权利要求3所述的基于RBF神经网络的滑坡灾害预报方法，其特征在于，无线智能传感器模块包括监测分机和与监测分机连接的传感器采集模块，GPRS模块与监测分机通过ZigBee模块进行通讯连接。