[发明专利]基于深度信念网络的滑坡灾害预报方法

说明书

本发明公开的基于深度信念网络的滑坡灾害预报方法，首先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；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和训练样本；然后，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；采用CD算法对RBM预训练，更新网络参数；采用遗传算法监督训练学习，保证DBN网络整体最优；最后，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。本发明公开的方法通过提取特征灾害诱发因子，加快收敛速度，防止陷入局部最优，提升滑坡灾害预报精度。

技术领域

本发明属于地质灾害预报方法技术领域，涉及一种基于深度信念网络的滑坡灾害预报方法。

背景技术

滑坡是重要的地质灾害类型之一，它威胁着人类的生命及财产安全，并对灾害发生地区的基础设施和生态环境具有极大破坏作用。因此，如何运用相应技术手段对滑坡灾害进行实时性监测预报，最大程度降低损失，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，研究阶段分为多个时期。第一阶段处于20世纪60～70年代，以现象预报和经验预报为主，即著名的“斋藤法”。专家凭借滑坡破坏现象对滑坡失稳进行推断，但此方法仅适用于已有滑坡前兆的情况下，实时性差且预报精度低。第二阶段，20世纪80年代，国内外许多学者大量引入各种数学方法与理论模型，例如，Hoek据智利Chuqicamata矿滑坡监测时间-位移曲线提出了外延法，根据所建的模型作外推预报，但其仅能对滑坡近期行为进行推测，存在一定的限制。第三阶段，Haruyama M等基于灰色系统理论开始被应用于滑坡预报研究，但因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。第四阶段，BP人工神经网络算法应用于滑坡灾害预报领域中，此种算法具有非线性映射、自适应性学习、大规模并行处理、较强容错性等优点，对滑坡预测预报方面有很高的研究价值。但同时也存在弊端，如神经网络容易陷入局部最优问题、收敛速度慢等。而深度学习作为第三代神经网络，能够从繁多无标签样本中提取出特征量，凭借其多层交互结构及逐层训练的稳定性，将样本进行训练，更适合滑坡灾害预测模型建立，增加预报精确度。

鉴于此，本发明提出一种基于深度信念网络(Deep BeliefNetwork，DBN)的滑坡体灾害预报方法，首先建立滑坡体监测预警系统，运用平均影响值(Mean Impact Value，MIV)算法筛选，筛选出主要灾害诱发因子，然后对两层RBM(Restricted Boltzmann Machine，RBM)进行预训练并提取特征信息，利用遗传算法对模型调优，采用三层BP网络(Back-Propagation Network，BP)模拟滑坡灾害诱发因子与灾害发生等级的关系进行滑坡预报。

发明内容

本发明目的是提供一种基于深度信念网络的滑坡灾害预报方法，解决现有灾害预报中所采用的算法收敛速度慢，预报精确度不高的问题，通过提取特征灾害诱发因子，加快收敛速度，防止陷入局部最优，提升滑坡灾害预报精度。

本发明所采用的技术方案是，基于深度信念网络的滑坡灾害预报方法，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；

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；

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。

本发明的其他特点还在于，