[發(fā)明專(zhuān)利]一種基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)報(bào)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010697270.8
• 申請(qǐng)日: 2020-07-20
• 公開(kāi)（公告）號(hào): CN111967648A
• 公開(kāi)（公告）日: 2020-11-20
• 發(fā)明（設(shè)計(jì)）人: 溫宗周;何洋;李麗敏;徐根祺
• 申請(qǐng)（專(zhuān)利權(quán)）人: 西安工程大學(xué)
• 主分類(lèi)號(hào): G06Q10/04
• 分類(lèi)號(hào): G06Q10/04;G06F30/27;G06N3/08;G06K9/62;G06F16/215;G06F17/16
• 代理公司: 西安弘理專(zhuān)利事務(wù)所 61214
• 代理人: 燕肇琪

1.一種基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)報(bào)方法，其特征在于，具體按照以下步驟實(shí)施：

步驟1、建立泥石流監(jiān)測(cè)預(yù)警系統(tǒng)，獲取初始泥石流災(zāi)害影響因子數(shù)據(jù)，經(jīng)標(biāo)準(zhǔn)化處理后運(yùn)用快速多個(gè)主成分并行提取算法FMPCE篩選出6個(gè)主要影響因子；

步驟2、構(gòu)建基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)測(cè)模型，用矩陣隨機(jī)近似奇異值分解對(duì)步驟2構(gòu)建的基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)測(cè)模型進(jìn)行了優(yōu)化，將步驟1得到的泥石流災(zāi)害的6個(gè)主要影響因子作為寬度學(xué)習(xí)算法BL的輸入，輸出泥石流發(fā)生概率，完成泥石流災(zāi)害預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)報(bào)方法，其特征在于，所述步驟1中的泥石流在線監(jiān)測(cè)系統(tǒng)包括多個(gè)無(wú)線智能傳感器模塊和現(xiàn)場(chǎng)預(yù)報(bào)終端模塊，多個(gè)無(wú)線智能傳感器模塊分別與現(xiàn)場(chǎng)預(yù)報(bào)終端模塊通過(guò)ZigBee模塊進(jìn)行通訊連接，現(xiàn)場(chǎng)預(yù)報(bào)終端模塊通過(guò)GPRS通訊方式與控制中心連接。

3.根據(jù)權(quán)利要求2所述的一種基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)報(bào)方法，其特征在于，所述現(xiàn)場(chǎng)預(yù)報(bào)終端模塊包括中央處理器和分別與中央處理器連接的電源模塊、存儲(chǔ)模塊及GPRS模塊，GPRS模塊與控制中心通過(guò)GPRS通訊方式連接。

4.根據(jù)權(quán)利要求2所述的一種基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)報(bào)方法，其特征在于，所述無(wú)線智能傳感器模塊包括監(jiān)測(cè)分機(jī)和與監(jiān)測(cè)分機(jī)連接的A/D轉(zhuǎn)換電路模塊，各類(lèi)傳感器模塊，GPRS模塊與監(jiān)測(cè)分機(jī)模塊通過(guò)ZigBee模塊進(jìn)行通訊連接。

5.根據(jù)權(quán)利要求1所述的一種基于寬度學(xué)習(xí)模型的泥石流災(zāi)害預(yù)報(bào)方法，其特征在于，所述步驟1中經(jīng)標(biāo)準(zhǔn)化處理后運(yùn)用快速多個(gè)主成分并行提取算法FMPCE篩選出6個(gè)主要影響因子具體按照以下實(shí)施：

步驟1.1、將數(shù)據(jù)標(biāo)準(zhǔn)化處理，

①缺失值處理，數(shù)據(jù)遺漏或出現(xiàn)離群點(diǎn)是常見(jiàn)的情況，對(duì)遺漏的傳感器數(shù)據(jù)按屬性進(jìn)行統(tǒng)計(jì)，得到缺失率q，若q≥90％，則將該列數(shù)據(jù)剔除；若40％≤q＜90％，則采用相鄰屬性加權(quán)填充；若20％≤q＜40％，使用均值作為填充值；若q＜20％，采用眾數(shù)進(jìn)行填充；

②離群值處理，對(duì)于某些相距均值的距離在3倍以上或達(dá)到5倍標(biāo)準(zhǔn)差的數(shù)值都是離群值，需要剔除；

③歸一化處理，所需數(shù)據(jù)不僅種類(lèi)眾多而且數(shù)量龐大，不同種類(lèi)的數(shù)據(jù)有不同的量綱，數(shù)據(jù)的多樣化會(huì)導(dǎo)致數(shù)據(jù)不平衡，這將在極大程度上影響預(yù)報(bào)模型的準(zhǔn)確率，如公式1所示對(duì)數(shù)據(jù)進(jìn)行歸一化處理，

其中，R′為歸一化處理后的數(shù)據(jù)，R為原始數(shù)據(jù)，R_max和R_min為最大值和最小值；

步驟1.2、運(yùn)用快速多個(gè)主成分并行提取算法FMPCE篩選出6個(gè)主要影響因子過(guò)程如下：

對(duì)于線性神經(jīng)網(wǎng)絡(luò)模型:

y(k)＝W^T(k)x(k) (2)

其中，y(k)∈R^r×1表示神經(jīng)網(wǎng)絡(luò)輸出，W(k)∈R^n×r表示神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣，x(k)∈R^n×1表示神經(jīng)網(wǎng)絡(luò)輸入，n是輸入向量維數(shù)，r是所要提取主成分的維數(shù)。令輸入的自相關(guān)矩陣R對(duì)稱(chēng)正定矩陣，其中λ_i為R的特征值，u_i為屬于特征值λ_i的特征向量，i＝1，2，...，n，特征值λ_i＞0，對(duì)R進(jìn)行特征值分解：

R＝UΛU^T (3)

其中，U＝[u₁，u₂，...，u_n]，Λ＝diag{λ₁，λ₂，...，λ_n}，且特征值滿(mǎn)足：

λ₁＞λ₂＞…＞λ_r＞…＞λ_n＞0 (4)

屬于這r個(gè)特征值的特征向量為矩陣R的前r個(gè)主成分，由這些主成分生成的空間稱(chēng)為主子空間，F(xiàn)MPCE便是尋求合適的權(quán)值矩陣迭代更新方程，使得權(quán)值矩陣能夠收斂到矩陣R的前r個(gè)主成分；其算法形式為：

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

其中，矩陣A為r×r級(jí)對(duì)角陣，對(duì)角線元素為a₁＞a₂＞…＞a_r＞0，η為學(xué)習(xí)速率，C(k)＝W(k)((W(k)^TW(k))^-1-I)為非二階矩陣，C的引入既可以解決算法的不穩(wěn)定問(wèn)題，還可以提升算法的收斂速度；

E(k)＝RW(k)W^TW(k)，F(xiàn)(k)＝W(k)AW^T(k)RW(k)在實(shí)際應(yīng)用中，自相關(guān)矩陣并不是已知的，而需要通過(guò)下式進(jìn)行估計(jì)：

式中，α為遺忘因子，滿(mǎn)足0＜α＜1，顯然當(dāng)k→∞時(shí)，矩陣使用式6對(duì)自相關(guān)矩陣進(jìn)行估計(jì)，然后利用公式2和公式5即可對(duì)輸入的主成分進(jìn)行提取。