[發明專利]基于混合高斯隱馬爾科夫模型的滑坡發生時間預測方法

有效

• 申請號: 201811599692.0
• 申請日: 2018-12-26
• 公開（公告）號: CN109783889B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 李麗敏;李濤;溫宗周;郭伏;陳曙東;張順峰;陳鵬年;張峪維
• 申請（專利權）人: 西安工程大學
• 主分類號: G06F30/13
• 分類號: G06F30/13;G06F30/20
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 涂秀清

1.基于混合高斯隱馬爾科夫模型的滑坡發生時間預測方法，其特征在于，具體過程包括如下步驟：

步驟1，通過安裝在坡體上的激光位移傳感器采集滑坡體的位移數據，并對采集的位移數據在時序方向上進行多狀態劃分；

步驟2，將劃分后的位移數據通過Baum-welch算法進行訓練，獲得多狀態MOG-HMM模型，并對已劃分的狀態進行標記；

所述步驟2中將劃分后的位移數據通過Baum-welch算法進行訓練并獲得MOG-HMM模型的具體過程如下：

步驟2.1通過Baum-welch算法計算MOG-HMM模型λ的6個參數，如公式(1)所示：

λ＝(P,A,B,μ(D(S_t)),σ(D(S_t)),S_final)????(1)

其中，λ為基于MOG-HMM的滑坡預報模型，等式右邊為該模型的6個相關參數，P：初始狀態分布；A：狀態轉移概率矩陣；B：表示觀察值概率分布矩陣；μ(D(S_t))：MOG函數中的均值，表征每個狀態持續的平均時間，其中，D(.)表示訪問時間，S_t表示狀態序列；σ(D(S_t))：MOG函數中的方差；S_final：最終狀態；

步驟2.2訓練MOG-HMM模型；

所述步驟2.2中訓練MOG-HMM模型的具體過程如下：

(1)記錄坡體位移原始數據X_i,i＝1,2,...,n；

(2)初始化X_i的多狀態個數N，其中，T為整個滑坡演化過程持續時間，t為滑坡災害發生狀態持續時間；設置每個狀態的高斯混合數M；

(3)初始化P，A和B，將觀測序列X_i平均分為N份，每份稱為一個狀態；采用聚類方法將X_i的每個狀態聚類為M類，并將每類按照高斯混合序號(1,2,……,M)進行編號，得到時間序列O_t(t＝1,2,...,N)；

(4)訓練參數P和A，通過Baum-welch算法求解使期望P(O_t|λ)最大時對應的P和A；參數B由滑坡位移時序通過混合高斯分布參數估計如公式(2)和公式(3)求得：

其中，b_j(O_t)是B中的具體元素值，j為B中元素的索引值，N為B中元素的個數，M為加權系數個數，C_j,m為加權系數，ξ(O,μ_j,m,σ_j,m)為混合高斯函數；

(5)然后利用Viterbi方法解碼，得到整個時序O_t對應的狀態序列S_t；

(6)通過公式(4)～(6)計算中間參數均值μ(D(S_t))、方差σ(D(S_t))和最終狀態S_final；

其均值和方差計算過程如公式(4)和(5)所示；

S_final＝S_N????(6)

其中，μ(D(S_t))：MOG函數中的均值，表征每個狀態持續的平均時間，S_t表示狀態序列；D(S_t)表示第t個狀態S_t的訪問時間，D(S_t,l)表示第l次訪問狀態S_t的訪問時間，S_final：最終狀態，S_N表示滑坡序列劃分出的第N個狀態；

步驟3，采用Viterbi算法對實時采集的位移數據進行當前狀態估計，并將當前估計狀態作為Dijkstra算法的輸入，從而預測出滑坡的發生時間。

2.如權利要求1所述的基于混合高斯隱馬爾科夫模型的滑坡發生時間預測方法，其特征在于，所述步驟1中對采集的位移數據在時序方向上進行多狀態劃分原則為：根據滑坡的演化階段細分。

3.如權利要求1所述的基于混合高斯隱馬爾科夫模型的滑坡發生時間預測方法，其特征在于，所述步驟3的具體過程如下：

步驟3.1采用Viterbi算法對實時采集的數據進行狀態解碼，從而判斷當前滑坡所處的演化狀態，即估計出測試數據屬于滑坡演化過程中的哪個階段，具體過程如下：

(1)輸入：觀測時間序列O_t和滑坡發生時間預報模型λ；

輸出：最短路徑I^*＝(i₁^*,i₂^*,...,i_T^*)；

(2)t＝1時，δ₁(i)＝P_ib_i(o₁),i＝1,2,…,N；ψ₁(i)＝0；

其中，δ₁(i)和ψ₁(i)為計算的中間變量，δ₁(i)由P和B的第i個元素相乘得到，其中O₁為O_t中的第1個元素；

(3)t＝2,3,…,T時，

其中，δ_t(i)為上一時刻所有δ_t-1(j)與A中元素a_j,i和B中元素b_i(O_t)乘積的最大值，其中，1≤j≤N，ψ_t(i)為使δ_t-1(j)a_j,i最大對應的索引；

(4)終止

其中C^*為所有δ_t(i)中元素的最大值，i_T^*為使δ_t(i)最大對應的索引；

(5)最優路徑回溯：對t＝T-1,T-2,…,1，利用i_t^*＝ψ_t+1(i_i+1^*)，i_t^*為I^*中的具體元素，求得S_t＝(S₁,S₂,…,S_T)；判斷出當前狀態后，截取新采集數據對應狀態序列S_t的最后一段序列，如公式(7)所示：

S_end＝(S_t-l,…,S_t-2,S_t-1,S_T)????(7)

其中，l為最后一段序列的截取位置，T為當前時刻；

步驟3.2將S_end中數量最多的值作為當前狀態S_current，對當前狀態到達滑坡發生狀態的最短時間RUL進行估計：

根據當前狀態S_current和滑坡發生時間預報模型λ得出的狀態S_final，將當前估計狀態作為Dijkstra算法的輸入，從而得出從S_current到達S_final最短時間，如公式(8)所示：