[发明专利]基于改进贝叶斯网络的滑坡灾害预测方法

说明书

本发明公开的基于改进贝叶斯网络的滑坡灾害预测方法，首先建立滑坡体监测预警系统，获取初始滑坡灾害影响因子数据，经标准化处理后运用PCA算法提取并筛选出主要影响因子；将筛选出的主要影响因子样本数据按比例分为训练样本集与测试样本集，并划分出滑坡发生等级；然后构建基于改进贝叶斯的滑坡预测模型，通过加权处理计算出引入特征量后的滑坡发生概率，并添加闭环学习过程，完成滑坡灾害预测；本发明公开的方法通过筛选滑坡灾害主要影响因子，在基于改进贝叶斯模型中对特征量加权处理并添加闭环学习环节输出滑坡发生概率，增加容错率，提升预报精度。

技术领域

本发明属于地质灾害预报方法技术领域，涉及一种基于改进贝叶斯网络的滑坡灾害预测方法。

背景技术

滑坡是一种重要的地质灾害类型，对地区交通运输、电站、厂矿、城乡建设等造成很大程度的影响，并且严重威胁着人民的生命和财产安全。滑坡的发生受多重因素的影响，如何通过滑坡的影响因素来提前预测其发生的可能性成为人们所关注的焦点。

针对滑坡灾害发生频率高、影响范围广等特点，近年来国内学者基于不同方法对其进行预测预报，但仍然存在一定的局限性。如神经网络模型，具有良好的自学习和容错能力，但易于陷入局部最优且收敛速度较慢；模糊综合评价模型，能对蕴藏信息呈现模糊性的资料作出比较切合实际的量化评价，但计算过程复杂且对指标权重矢量的确定主观性较强；SVM支持向量机模型，具有较好的“鲁棒性”，但对大规模训练样本难以实施；传统贝叶斯判别模型，具有稳定的分类效率、能够处理多分类任务，是处理不确定问题的有效工具，但在判断较为复杂的样本时容易出现误判。而改进的贝叶斯算法，通过引入加权处理与闭环学习系统，可对特征量进行权重排序，并能够修正错误信息，达到提升容错率的效果。

鉴于此，本发明提出一种基于改进贝叶斯网络(Improved Bayes net，IBN)的滑坡灾害预测方法，首先运用主成分分析法(principal components analysis，PCA)对滑坡特征的样本进行处理并筛选主要灾害影响因子，将主要灾害影响因子按比例构成训练样本集和测试样本集并划分滑坡发生等级，然后基于改进贝叶斯的预测模型中，建立预测评估体系，并计算出引入加权后的特征量存在滑坡发生概率，添加闭环学习过程，完成滑坡灾害预测。

发明内容

本发明目的是提供一种基于改进贝叶斯网络的滑坡灾害预测方法，解决现有灾害预测中所采用的算法容错率低，精确度不高的问题。

本发明所采用的技术方案是，基于改进贝叶斯网络的滑坡灾害预测方法，具体的操作步骤如下：

步骤1.建立滑坡体监测预警系统，获取初始滑坡灾害影响因子数据，经标准化处理后运用主成分分析法提取并筛选出主要影响因子；

步骤2.将筛选出的主要影响因子样本数据按比例分为训练样本集与测试样本集，并划分出滑坡灾害发生等级；

步骤3.将步骤2得到的滑坡灾害发生等级构建基于改进贝叶斯网络的滑坡预测模型，通过加权处理计算出引入特征量后的滑坡发生概率，并添加闭环学习过程，完成滑坡灾害预测。

本发明的其他特点还在于，

步骤1中的滑坡体监测预报系统包括现场预警终端和若干个无线智能传感器模块，现场预警终端与PC端控制中心信号连接，现场预警终端与若干个无线智能传感器模块通过Zigbee无线传输方式通讯；现场预警终端包括主控芯片STM32，主控芯片STM32分别连接人机友好界面、USB接口、储存模块、GPRS模块和Zigbee模块；无线智能传感器模块包括主控芯片MSP430，主控芯片MSP430分别连接有4-20mA模块、RS232模块、RS485模块、Zigbee无线通讯模块。

步骤1中经标准化处理后运用主成分分析法提取并筛选出主要影响因子过程如下：

步骤1.1将数据标准化处理，如公式1所示，