[发明专利]一种基于RBF神经网络的滑坡灾害预报方法

说明书

本发明公开了一种基于RBF神经网络的滑坡灾害预报方法，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；建立基于FBR神经网络的滑坡预报模型；将成灾因子数据输入到滑坡预报模型中，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。本发明基于RBF神经网络的滑坡灾害预报方法，在数据表示方式上能够消除输入数据中与学习任务无关因素的改变对学习性能的影响，同时保留学习任务中有用的信息；将其应用在滑坡灾害预报上，能更加准确的判断滑坡成灾几率。

技术领域

本发明属于地质灾害预报方法技术领域，具体涉及一种基于RBF神经网络的滑坡灾害预报方法。

背景技术

滑坡不仅是一种自然灾害，同时也是一种严重的工程地质灾害。近几年来重大地质灾害频繁发生，常造成房屋破坏、通讯设施中断，道路崩塌、毁坏土地，乃至村毁人亡的事故。且事故常发生在地质结构复杂、地形陡峭的山区，对于预防的实施、灾后恢复的时间将被延长，造成居民生活不便，其规模和风险性大大超过了我们所能承受的范围。因此如何使用技术手段进行监测预报，进行实时提示受灾群众，减少灾害损失，成为我们关注的主要内容。

现有的滑坡灾害预报方法有很多，其中涉及多个阶段时期，如：第一阶段，E.Hoek于1969年提出基于滑坡监测时间-位移曲线的外延法，该方法所建立模型简单、可以准确的计算各因素间的相关度与拟合程度的高低，但是建立的经验模式具有一定前提条件，属于概率推断算法，预测精度不高，存在一定限制；第二阶段，陈明东、王兰生等基于灰色系统理论研究，采用滤波灰色分析法对滑坡进行预测，建立GM预测模型，该方法虽然较统计方法需要的原始数据较少，但其拟合预测距实测值偏差较大，由于灰导数等概念引入白化微分方程，使得预测精度不高；第三阶段，神经网络被众多学者提出并应用，尤其BP网络(Back-Propagation Network)和径向基函数(Radial basis function，RBF)在地质灾害应用中脱颖而出。但BP在网络训练时，收敛速度过慢，训练时间过长，主要存在易限于局部极小值等问题，而采用局部激励函数的RBF网络在很大程度上克服了上述缺点，网络中的spread参数影响最终的预测精度，从根本上解决了BP网络的局部最优问题，并比较概率推算算法和GM预测模型，其精度及训练速度较快，更加适合滑坡灾害预测模型建立。

神经网络算法具有良好的容错能力、并行处理能力和自学习能力，可处理环境信息复杂，背景知识不清楚，推理规则不明确情况下的问题，而且运行速度快、自适应性能好、具有较高的分辨率，尤其是权值共享网络使之更类似于生物神经网络，降低了网络模型的复杂度，减少了权值的数量。采用神经网络算法，避免了传统识别算法中复杂的特征提取和数据重建过程。

发明内容

本发明的目的是提供一种基于RBF神经网络的滑坡灾害预报方法，解决了BP在网络训练时，收敛速度过慢，训练时间过长的问题。

本发明所采用的技术方案是，一种基于RBF神经网络的滑坡灾害预报方法，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；

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。

本发明的特点还在于，

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。