[发明专利]基于无监督机器学习的海底滑坡危险性分析方法

权利要求书

1.基于无监督机器学习的海底滑坡危险性分析方法，其特征在于，包括以下步骤：

步骤A、获取海底滑坡研究区域地质参数，所述地质参数包括水动力参数和滑坡体本身的参数，分别对应的用以表征外部环境特征和潜在滑坡体自身的特征；

步骤B、数据前处理：

步骤B1、单因子参数分区和不同区域类别划分：将各类单位、量级不同的地质参数数据进行分级处理，得到统一量级的分类结果；

步骤B2、海底滑坡危险性评价点位数据提取，以获得所有需要评价分析的点位坐标与单因子参数的对应数据；

步骤C、构建无监督机器学习模型；

步骤C1、输入输出参数类别确定及原始数据预处理：以沉积物类型、海底地形坡度、土体强度和水深、50年一遇波高大小、底层最大流速、液化、海底冲刷以及人类工程活动情况作为无监督机器学习模型的输入，将区域评价分析结果分为危险性高、危险性较高、危险性较低和危险性低4类评价标签作为无监督机器学习模型的输出；

步骤C2、网络参数选取与评价：通过分析计算确定最可靠的核函数参数作为评价网络最终的参数，并选择一种组合为最优情况构建无监督机器学习模型；

步骤D、海底滑坡危险性评价：对实际研究区输入参数进行分类处理，输入至所构建的无监督机器学习模型中，并通过分类及标签赋予，得到最终的海底滑坡危险性分析结果。

2.根据权利要求1所述的基于无监督机器学习的海底滑坡危险性分析方法，其特征在于：所述步骤A中，所述水动力参数包括水深、波浪、潮汐和底流；所述滑坡体本身的参数包括沉积物类型、构造特征和沉积物物理力学性质。

3.根据权利要求1所述的基于无监督机器学习的海底滑坡危险性分析方法，其特征在于：所述步骤C2中，在确定核函数参数时，具体采用以下步骤：

(1)计算相似度矩阵W：

全连接法表达式为：

W为s_ij组成的相似度矩阵，核函数参数σ控制着样本点的邻域宽度，即σ越大表示样本点与距离较远的样本点的相似度越大；

(2)计算度矩阵D

即相似度矩阵W的每一行元素之和，D为d_i组成的9*9对角矩阵；

(3)计算拉普拉斯矩阵L＝D-W；

(4)计算L的特征值，将特征值从小到大排序，取前k个特征值，并计算前k个特征值的特征向量u₁，u₂...u_n；

(5)将上面的k个列向量组成矩阵U＝{u₁，u₂...u_n}，U∈R^n*k；

(6)令yⁱ∈R^k是U的第i行的向量，其中i＝1，2，...n；

(7)使用Kmeans算法将新样本点Y＝{y₁，y₂，...，y_n}聚类成簇C₁，C₂...C_k；

(8)输出簇A₁，A₂...A_k，其中A_i＝{j|y_i∈C_i}；

令核函数参数σ从0.01至2.5以0.01为间隔进行变化，针对每个核函数参数均进行聚类并使用Calinski-Harabasz对结果进行分析，选择最可靠的核函数参数作为评价网络最终的参数。