[发明专利]基于深度信念网络的滑坡灾害预报方法

权利要求书

1.基于深度信念网络的滑坡灾害预报方法，其特征在于，具体的操作步骤如下：

步骤1.建立滑坡体监测预警系统，采集大量灾害诱发因子，运用MIV算法筛选，筛选出主要灾害诱发因子；

步骤2.将筛选出的灾害诱发因子进行标准化过程，按特定比例分为测试样本、训练样本和调优样本，所述标准化过程如下：

步骤2.1令输入量X₁＝土壤含水率，X₂＝降雨量，X₃＝裂缝位移，X₄＝土压力，X₅＝孔隙水压力，X₆＝滑体滑面倾角，X₇＝次声频率；

步骤2.2对采集到的数据进行归一化处理，如公式2所示：

步骤2.3依据特定比例将处理后的样本数据分为预训样本、调优样本、测试样本；其中，在滑坡预报应用中，若需要采集数据特别多的时候，特定比例取98：1：1，反之则取6：2：2；预训练样本包含大量无标签样本数据，调优样本和测试样本包含少量带有类标签的样本数据；

步骤3.构建基于深度信念网络的滑坡灾害预报模型，设置结构为两层RBM和三层BP网络组成，具体过程如下：

步骤3.1构建DBN网络模型，它的关键组成部分是RBM，一层RBM包括一个隐含层H和一个可视层V，定义相同层间节点两两互联，相同层内节点不相接，V层有m个可视单元v＝(v₁,v₂,v₃,…v_m)，H层有n个隐含单元h＝(h₁,h₂,h₃,…h_n)；

一层RBM的能量函数可表示为：

其中，v_i为可视单元i的取值，h_j为隐含单元j的取值；当i，j＝0时处于未激活状态，当i，j＝1时处于激活状态，a_i表示可视偏执层的偏执量，b_j为隐含层的偏执量，ω_ij为可视单元v_i与隐含单元h_j之间的连接权重，n是隐含层节点数量，m为可视层节点数量，θ＝(a,b,ω)为RBM的模型参数；

基于RBM的能量函数，(v,h)的联合概率分布可以表示为：

其中，为归一化因子，即，剖分函数；

当给定可视单元的状态时，隐含单元的激活概率是条件独立的，记第j个隐单元的激活概率可以表示为：

同理，当给定隐含单元的状态时，可视单元的激活概率是条件独立的，记第i个可视单元的激活概率可以表示为：

其中，σ(x)表示激活函数，如公式7所示，当x0时，σ(x)＝1，当x0时，σ(x)＝0；

对于一层RBM所包含的m个可见单元和n个隐单元，根据独立性，(v,h)的条件概率可表示为：

公式8中给定可视单元节点，得到隐含单元节点；

公式9中给定隐含单元节点，得到可视单元节点；

结合公式3，两层RBM的能量函数如公式10所示：

其中，h_j0表示第一层隐单元的第j个节点的值，h_k2表示第二个隐单元的第k个节点的值；

其联合概率分布由公式4和公式10计算得到：

根据公式11求解出条件分布概率，如公式12所示：

步骤3.2三层BP网络用于输出滑坡等级分类预报结果，将第二层RBM2的隐蔽层h₂节点作为BP神经网络的可见层输入端，输出层由5个结点单元组成，数据输入层为v₁，由此输入采集到的滑坡灾害诱发因子样本数据，设定其模型输入为7维；

步骤4.采用CD算法对RBM预训练，更新网络参数；

步骤5.采用遗传算法监督训练学习，使DBN网络整体最优；

步骤6.重构已优化的滑坡灾害预报模型，对输出结果进行滑坡等级划分，预报出滑坡发生可能性。