[发明专利]一种基于宽度学习模型的泥石流灾害预报方法

权利要求书

1.一种基于宽度学习模型的泥石流灾害预报方法，其特征在于，具体按照以下步骤实施：

步骤1、建立泥石流监测预警系统，获取初始泥石流灾害影响因子数据，经标准化处理后运用快速多个主成分并行提取算法FMPCE筛选出6个主要影响因子；

步骤2、构建基于宽度学习模型的泥石流灾害预测模型，用矩阵随机近似奇异值分解对步骤2构建的基于宽度学习模型的泥石流灾害预测模型进行了优化，将步骤1得到的泥石流灾害的6个主要影响因子作为宽度学习算法BL的输入，输出泥石流发生概率，完成泥石流灾害预测。

2.根据权利要求1所述的一种基于宽度学习模型的泥石流灾害预报方法，其特征在于，所述步骤1中的泥石流在线监测系统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。

3.根据权利要求2所述的一种基于宽度学习模型的泥石流灾害预报方法，其特征在于，所述现场预报终端模块包括中央处理器和分别与中央处理器连接的电源模块、存储模块及GPRS模块，GPRS模块与控制中心通过GPRS通讯方式连接。

4.根据权利要求2所述的一种基于宽度学习模型的泥石流灾害预报方法，其特征在于，所述无线智能传感器模块包括监测分机和与监测分机连接的A/D转换电路模块，各类传感器模块，GPRS模块与监测分机模块通过ZigBee模块进行通讯连接。

5.根据权利要求1所述的一种基于宽度学习模型的泥石流灾害预报方法，其特征在于，所述步骤1中经标准化处理后运用快速多个主成分并行提取算法FMPCE筛选出6个主要影响因子具体按照以下实施：

步骤1.1、将数据标准化处理，

①缺失值处理，数据遗漏或出现离群点是常见的情况，对遗漏的传感器数据按属性进行统计，得到缺失率q，若q≥90％，则将该列数据剔除；若40％≤q＜90％，则采用相邻属性加权填充；若20％≤q＜40％，使用均值作为填充值；若q＜20％，采用众数进行填充；

②离群值处理，对于某些相距均值的距离在3倍以上或达到5倍标准差的数值都是离群值，需要剔除；

③归一化处理，所需数据不仅种类众多而且数量庞大，不同种类的数据有不同的量纲，数据的多样化会导致数据不平衡，这将在极大程度上影响预报模型的准确率，如公式1所示对数据进行归一化处理，

其中，R′为归一化处理后的数据，R为原始数据，R_max和R_min为最大值和最小值；

步骤1.2、运用快速多个主成分并行提取算法FMPCE筛选出6个主要影响因子过程如下：

对于线性神经网络模型:

y(k)＝W^T(k)x(k) (2)

其中，y(k)∈R^r×1表示神经网络输出，W(k)∈R^n×r表示神经网络权值矩阵，x(k)∈R^n×1表示神经网络输入，n是输入向量维数，r是所要提取主成分的维数。令输入的自相关矩阵R对称正定矩阵，其中λ_i为R的特征值，u_i为属于特征值λ_i的特征向量，i＝1，2，...，n，特征值λ_i＞0，对R进行特征值分解：

R＝UΛU^T (3)

其中，U＝[u₁，u₂，...，u_n]，Λ＝diag{λ₁，λ₂，...，λ_n}，且特征值满足：

λ₁＞λ₂＞…＞λ_r＞…＞λ_n＞0 (4)

属于这r个特征值的特征向量为矩阵R的前r个主成分，由这些主成分生成的空间称为主子空间，FMPCE便是寻求合适的权值矩阵迭代更新方程，使得权值矩阵能够收敛到矩阵R的前r个主成分；其算法形式为：

W(k+1)＝W(k)+η[W(k)C(k)+(E(k)A²-F(k)A)] (5)

其中，矩阵A为r×r级对角阵，对角线元素为a₁＞a₂＞…＞a_r＞0，η为学习速率，C(k)＝W(k)((W(k)^TW(k))^-1-I)为非二阶矩阵，C的引入既可以解决算法的不稳定问题，还可以提升算法的收敛速度；

E(k)＝RW(k)W^TW(k)，F(k)＝W(k)AW^T(k)RW(k)在实际应用中，自相关矩阵并不是已知的，而需要通过下式进行估计：

式中，α为遗忘因子，满足0＜α＜1，显然当k→∞时，矩阵使用式6对自相关矩阵进行估计，然后利用公式2和公式5即可对输入的主成分进行提取。