[發(fā)明專利]滑坡位移非參數(shù)概率密度預(yù)測方法、設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010627714.0
• 申請日: 2020-07-02
• 公開（公告）號: CN111898249A
• 公開（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 馬俊偉;遲福東;陳鴻杰;張俊榮;牛曉旭
• 申請（專利權(quán)）人: 華能瀾滄江水電股份有限公司;中國地質(zhì)大學(xué)（武漢）;華能集團(tuán)技術(shù)創(chuàng)新中心有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06Q10/04
• 代理公司: 武漢知產(chǎn)時(shí)代知識產(chǎn)權(quán)代理有限公司 42238
• 代理人: 郝明琴

1.一種滑坡位移非參數(shù)概率密度預(yù)測方法，其特征在于，包括以下步驟：

S1獲取預(yù)設(shè)時(shí)間內(nèi)滑坡變形誘發(fā)因素和滑坡位移的歷史監(jiān)測數(shù)據(jù)；

S2將各滑坡變形誘發(fā)因素作為預(yù)測模型的候選輸入變量，利用高斯核密度估計(jì)法得到滑坡變形誘發(fā)因素的邊緣分布函數(shù)，根據(jù)邊緣分布函數(shù)采用關(guān)聯(lián)結(jié)構(gòu)分析函數(shù)，評估各滑坡變形誘發(fā)因素x_t和滑坡位移y_t之間的相關(guān)程度，根據(jù)各相關(guān)程度對滑坡變形誘發(fā)因素x_t進(jìn)行優(yōu)選作為預(yù)測模型的最終的輸入變量；

S3選擇合適的核函數(shù)參數(shù)和分位數(shù)間隔，根據(jù)基于核函數(shù)的支持向量機(jī)和分位數(shù)回歸，建立核函數(shù)分位數(shù)回歸支持向量機(jī)，通過核函數(shù)分位數(shù)回歸支持向量機(jī)建立m個(gè)最終的輸入變量與滑坡位移之間的預(yù)測模型，將最終的輸入變量代入，得到m個(gè)預(yù)測模型對應(yīng)的滑坡位移預(yù)測結(jié)果

S4利用核密度估計(jì)法，對各滑坡位移預(yù)測結(jié)果進(jìn)行非參數(shù)核密度估計(jì)。

2.如權(quán)利要求1所述的滑坡位移非參數(shù)概率密度預(yù)測方法，其特征在于，步驟S2中，利用高斯核密度估計(jì)法得到滑坡變形誘發(fā)因素的邊緣分布函數(shù)，表達(dá)式為：

式中：h為帶寬，n為變量x的樣本量，K()為核函數(shù)。

3.如權(quán)利要求2所述的滑坡位移非參數(shù)概率密度預(yù)測方法，其特征在于，步驟S2中，根據(jù)邊緣分布函數(shù)采用關(guān)聯(lián)結(jié)構(gòu)分析函數(shù)C，評估各滑坡變形誘發(fā)因素和滑坡位移之間的相關(guān)程度，表達(dá)式為：

H(x,y)＝C(F(x),F(y)；θ,ρ_xy)；

式中：C()為關(guān)聯(lián)結(jié)構(gòu)分析函數(shù)，H(x,y)為聯(lián)合累積分布函數(shù)，F(xiàn)(x)、F(y)分別為x和y的邊緣分布函數(shù)，θ為關(guān)聯(lián)結(jié)構(gòu)分析函數(shù)參數(shù)，ρ_xy為隨機(jī)變量x與y之間的秩相關(guān)系數(shù)。

4.如權(quán)利要求3所述的滑坡位移非參數(shù)概率密度預(yù)測方法，其特征在于，步驟S2中，選取與滑坡位移具有相關(guān)性的滑坡變形誘發(fā)因素(|ρ_xy|0.1)作為最終的輸入變量。

5.如權(quán)利要求1所述的滑坡位移非參數(shù)概率密度預(yù)測方法，其特征在于，步驟S3中，根據(jù)基于核函數(shù)的支持向量機(jī)和分位數(shù)回歸，建立核函數(shù)分位數(shù)回歸支持向量機(jī)，表達(dá)式為：

式中：c為懲罰函數(shù)，wτ為參數(shù)向量，b_τ為閾值，y_t為t時(shí)刻滑坡位移實(shí)測值，T為樣本量，φ(·)為非線性映射函數(shù)，x_t為解釋變量組成的設(shè)計(jì)矩陣，β_τ為回歸系數(shù)向量，μ_t＝x_t，ρ_τ(x)為非對稱的校驗(yàn)函數(shù)，滿足

引入非負(fù)的松弛變量ξ_t，ξ_t^*，構(gòu)造拉格朗日函數(shù)，其求解結(jié)果如下：

式中：T為樣本量，χ和χ^*表示最優(yōu)拉格朗日乘子，φ(·)為非線性映射函數(shù)，矩陣η為需要訓(xùn)練的參數(shù)集，K()為核函數(shù)，K_t()為核函數(shù)第t個(gè)數(shù)組，響應(yīng)變量y在解釋變量下的第τ個(gè)條件分位數(shù)。

6.如權(quán)利要求5所述的滑坡位移非參數(shù)概率密度預(yù)測方法，其特征在于，步驟S3中，將滑坡位移數(shù)據(jù)進(jìn)行[0，1]歸一化處理，在(0，1)區(qū)間上間隔取m個(gè)分位數(shù)τ₁,…τ_j,…τ_m，根據(jù)最終的輸入變量和滑坡位移，通過多項(xiàng)式核函數(shù)分位數(shù)回歸支持向量機(jī)建立m個(gè)最終的輸入變量與滑坡位移之間的預(yù)測模型，將最終的輸入變量代入，得到m個(gè)預(yù)測值，對各預(yù)測值進(jìn)行反歸一化后，得到m個(gè)滑坡位移預(yù)測結(jié)果

7.如權(quán)利要求1所述的滑坡位移非參數(shù)概率密度預(yù)測方法，其特征在于，步驟S4中，在得到條件分位數(shù)預(yù)測結(jié)果之后，基于高斯核密度估計(jì)法，對m個(gè)滑坡位移預(yù)測結(jié)果進(jìn)行非參數(shù)核密度估計(jì)，高斯核函數(shù)表達(dá)式為：

式中：h為帶寬，m為分位數(shù)的個(gè)數(shù)，j為第j個(gè)分位數(shù)樣本點(diǎn)，為第j個(gè)分位數(shù)樣本點(diǎn)對應(yīng)的預(yù)測結(jié)果。