CN112903008A - 基于多传感数据融合技术的山体滑坡预警方法 - Google Patents
基于多传感数据融合技术的山体滑坡预警方法 Download PDFInfo
- Publication number
- CN112903008A CN112903008A CN202110052736.3A CN202110052736A CN112903008A CN 112903008 A CN112903008 A CN 112903008A CN 202110052736 A CN202110052736 A CN 202110052736A CN 112903008 A CN112903008 A CN 112903008A
- Authority
- CN
- China
- Prior art keywords
- landslide
- displacement
- probability
- converting
- fuzzy set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提出一种基于多传感数据融合技术的山体滑坡预警方法,包括以下步骤:步骤S1:分别测出监测点位置的有效降雨量、地表位移量和深部位移量,并分别转换成对应的发生滑坡的概率;步骤S2:将三种发生滑坡的概率分别转换为直觉模糊集;步骤S3:计算基于熵和模糊散度测度的权重系数,获得加权基本概率赋值函数;步骤S4:利用改进型DS证据理论融合规则进行迭代处理,得到融合结果作为最终滑坡的概率。其可以减少误报、漏报,提高预警的有效性和可靠性。
Description
技术领域
本发明属于电子信息科学与技术,通信技术,防灾减灾技术领域,尤其涉及一种基于多传感数据融合技术的山体滑坡预警方法。
背景技术
山体滑坡作为地质灾害中常见的灾害类型,对其做出科学合理的监测,能有效降低对人民群众生命财产的威胁。据不完全统计,每年由于地质灾害引发的经济损失高达数十亿元,伤亡人数达上千人,因此对其预警***进行研究具有重要意义。发生山体滑坡是一个由渐变到突变的过程,如果能够精确、及时地获取监测点滑坡特征信息,并对滑坡发生时间和发展趋势做出有效判断,就能达到防灾减灾的目的。
山体滑坡监测的方法包括有设站观测法、测缝法、GPS测量法、近景摄遥感法、地面倾斜法、图像处理方法等。设站观测法主要是在坡体表面设置一些标记点,并用利用固定点去观察这些标记点的变化。地面测斜法是在钻孔中埋入测斜管,并用测斜探头在管中滑行,然后通过探头中的摆锤受到不同重力作用计算测斜探头与垂直方向的偏移,计算出坡体的变形。测缝法主要是在山体的裂缝处安装测缝的仪器或装置,针对已经产生滑坡的区域做进一步监测,适用于已经产生局部滑坡的监测区域,常用的仪器包括测缝计、伸缩计、多功能频率测试仪等。GPS测量法可利用GPS记录滑坡体表面的观察点的三维坐标变化,通过这些坐标点的长期变化分析判别滑坡体的运动规律。遥感方法是在坡体外部利用发射装置发射一定的信号(一般是电磁波和声波)到坡体表面,由反射得到的信号变化,再通过提取信号特征反应坡体的前兆信息,该方法的特点是不与监测点直接接触。图像处理的方法监测滑坡,是采用在被测滑坡区域标定标记物,使用图像处理技术识别出该标记物的运动轨迹,从而得出该滑坡体的运动轨迹。
传统的山体滑坡监测方法是地质勘测人员手持专业的探测设备到现场进行测量,并结合自身的经验做出判断,在测量的效率、准确性和智能化方面难以满足要求。利用全球定位***(GPS)、遥感(RS)和北斗导航等***观测滑坡表面的三维坐标变化,通过这些测试点的坐标变化分析滑坡体的运动规律,从而实现远程获得滑坡体的前兆信息,但这些方面只是观测滑坡体表面变形进行监测,无法对滑坡体内部信息做出准确的监测,从而实现准确的预报。钻孔测斜仪方法是在特定位置钻孔并安装位移传感器,可以监测滑坡内任意深度的位移,该方法具有精度较高,探测简易等优点,但在山体临近滑坡时测量效果较差。图像处理的方法监测滑坡,是采用在被测滑坡区域标定标记物,使用图像处理技术识别出该标记物的运动轨迹,从而得出该滑坡体的运动轨迹,该方法观测滑坡表面的变化,只有滑坡发生了才能检测到,无法起到很好的事先预警。同时在数据的传输量和处理量上将耗费大量时间,在高效率和高利用率上效果欠佳。
由于滑坡形成的机理复杂,并且传统的山体滑坡预警***通常只采用单一传感器进行预警,没有综合的考虑地理环境、天气情况和监测的物理量特征数据,此时容易产生误报、漏报等现象或者预警不及时、不准确等问题。部分预测***采用传统的模糊集理论,没有考虑不确定因素,对信息的描述不够准确;或者采用均值方法对模糊矩阵进行处理,不能正确反映降雨、位移量等重要参数对滑坡影响的差异性,从而不能做出有效全面的判断,影响预警***的有效性和可靠性。
发明内容
针对现有技术存在的不足和空白,本发明提供了一种基于多传感数据融合技术的山体滑坡预警方法,基于北斗地基增强***的RTK技术、直觉模糊集理论和多传感器融合技术,发明一种新的山体滑坡监测***,该***可以对产生滑坡的各要素做出全面而有效的评价或决策,提高山体滑坡预警的准确性和可靠性,减少误报、漏报,这样就可以把人身和财产损失降到最低。多传感器融合技术是通过不同的传感器采集滑坡监测点的内外部特征参数,再对各参数所提供的信息进行有效融合,从而对山体滑坡进行全面的描述,克服了单一传感器存在盲区的缺陷,降低信息的不确定性,提高决策的准确性。直觉模糊集考虑了隶属函数、非隶属函数和犹豫函数,相对于传统的模糊集理论,其能够表达更多的模糊信息,对事件的描述更全面,适用于解决信息不一致、不确定的情况。
传统方法只采用单一传感器进行预警,没有综合的考虑地理环境、天气情况和监测的物理量特征数据,此时容易产生误报、漏报等现象。为解决这一问题,该***采用降雨量、RTK表面位移、深度位移传感器等进行检测,利用RTK测量位移量,能够达到毫米级的精度,利用深度位移传感器提供监测点的内部变形信息,并考虑引起山体滑坡的其他因素。在此基础上,提出将各传感器获得的信息转换成概率、直觉模糊集的方法,并利用改进的证据理论进行融合处理,得到较好的结果。
本专利通过多传感器精确获取监测点的内外部滑坡特征数据,为了反映各个属性在信息融合过程中重要程度的差异性,信息融合中的融合系数与该参数对滑坡影响程度有关,并给出融合系数的求解方法。其原理如图1所示。1)通过降雨测量仪、GNSS定位***和深度位移传器分别测出监测点位置的有效降雨量、地表的位置坐标和深部位移量,通过RTK技术解算监测点的地表水平和垂直位移量和有效降雨量。利用RTK测量位移量水平精度可达1mm,高度精度可达2.5mm;利用深部位移传感器可获得滑坡点内部的特征信息;多数山体滑坡的发生与强降雨量有关。2)利用各模型将监测点处的有效降雨量、水平和垂直位移量的比值、深度位移量转换成发生滑坡的概率P(X)。3)考虑滑坡是渐变和从量变到质变的过程,在间存在的过渡段,因此将发生滑坡的概率P(X)转换成直觉模糊集的基本概率赋值函数{UR(x),VR(x),πR(x)},其中U表示发生滑坡的确定概率,V代表不会发生滑坡的确定概率,π代模糊性,表示可能或不可能发生滑坡的概率。4)计算散度测度矩阵DMM,并根据DMM和加权熵计算影响滑坡各参量的加权系数。5)根据加权系数获得加权基本概率赋值函数;6)利用改进的DS证据理论融合规则进行迭代处理,得到融合结果,根据融合结果做出判决。7)将融合结果与设定的阈值做比较,若小于阈值继续监测;大于阈值时,说明有滑坡发生潜在危机,给出预警并拍摄现场的图像给移动终端(操作人员),并将结果通知防灾减灾部门作出决策依据,监测现场产生声光报警,提醒附件的车辆和人员。同时操作人员也可以远程实时查看监测点的信息和图片,这样可以减少误报、漏报,提高预警的有效性和可靠性。
本发明具体采用以下技术方案:
一种基于多传感数据融合技术的山体滑坡预警方法,其特征在于,包括以下步骤:
步骤S1:分别测出监测点位置的有效降雨量、地表位移量和深部位移量,并分别转换成对应的发生滑坡的概率;
步骤S2:将三种发生滑坡的概率分别转换为直觉模糊集;
步骤S3:计算基于熵和模糊散度测度的权重系数,获得加权基本概率赋值函数;
步骤S4:利用改进型DS证据理论融合规则进行迭代处理,得到融合结果作为最终滑坡的概率。
优选地,在步骤S1中,通过降雨测量仪、GNSS定位***和深度位移传器分别测出监测点位置的有效降雨量、地表位移量和深部位移量。
优选地,步骤S1具体包括以下步骤:
步骤S31:将有效降雨量转换成发生滑坡的概率:
所述有效降雨量通过下式计算获得:
Al=0.5406×e-3.392×l+7.94×10-2e-0.1286×l (2)
其中l=0时x0代表当天24小时降雨量,l=1时x1代表前一天24小时降雨量,l=2时x2代表当两天24小时降雨量,l=3时x3代表前三天24小时降雨量,Al代表每天的权重系数;
采用以下公式将有效降雨量转换成产生山体滑坡的概率:
PR(R)=(1.134×10-4×R3-0.02814×R2+2.348×R+12.96)/100(3);
步骤S32:将地表位移量转换成发生滑坡的概率:
利用GNSS定位***和RTK技术计算测量点的水平位移量和垂直位移量,并将水平位移量和垂直位移量的比值转换成对山体滑坡的概率:
PG(k)=0.8539e0.04242k-2.248e-13.73k (4)
其中k表示水平位移量和垂直位移量的比值;
步骤S33:将深部位移量转换成发生滑坡的概率:
其中d表示深部位移量。
优选地,在步骤S2中,传统的模糊集理论采用隶属度和非隶属度来描述事件非黑即白的模糊概念,难以面地描述事件的模糊性。考虑滑坡事件本身是一个渐变发展,从量变到质变的过程,本发明采用隶属度U、非隶属度V和犹豫度π三方面对滑坡事件进行描述。隶属度和非隶属度明确刻画了产生(不会产生)滑坡的程度,犹豫度描述的是产生滑坡模棱两可的程度,当发生滑坡概率在50%附近时犹豫度越大。针对这一特性,将有效降雨量、地表位移量和深部位移量转换成的发生滑坡的概率转换成直觉模糊集m={U(x),V(x),π(x)}:
U(x)=P(x)-0.5π(x) (7)
V(x)=1-π(x)-U(x) (8);
该函数的特点是当发生滑坡概率越接近50%时犹豫度越大,当滑坡概率具有更强明确性时犹豫度越小。
利用公式(6)-(8)对有效降雨量产生滑坡的概率进行转换,得到直觉模糊集
其中下标R代表有效降雨量;
利用公式(6)-(8)对深度位移量产生滑坡的概率进行转换,得到直觉模糊集
其中下标D代表深度位移量;
利用公式(6)-(8)对表面位移量比值产生滑坡的概率进行转换,得到直觉模糊集
其中下标G代表表面水平位移量和垂直位移量的比值。
优选地,步骤S3具体包括以下步骤:
步骤S31:基于犹豫直觉模糊熵确定加权系数:
其中,n分别表示R、D、G三个模糊集函数;
其中i,j分别可以取R,D,G三个模糊集函数;当i=j即直觉模糊集相同时,它们之间的相似度为1;利用该方法得到本发明中3个传感器R、D、G之间的相似度矩阵C
计算R,D,G对产生滑坡的支持度Sup,下标代表不同的传感器:
归一化各传感器的支持度:
步骤S33:计算各传感器直觉模糊集的加权系数,获得加权基本概率赋值函数B:
优选地,步骤S4具体包括以下步骤:
优选地,当融合结果中隶属度函数大于阈值0.5时给预报警,通知防灾减灾相关的部门,并在现场报警。
本发明及其优选方案具有以下有益效果:
1)利用RTK技术测量位移量,并且水平精度可达1mm,高度精度可达2.5mm,因此可大大提高山体滑坡预警的准确性。
2)利用各模型将有效降雨量、表面位移、深度位移、裂缝大小转换成产生滑坡的概率,给出概率转换方法,并将概率转换成直觉模糊集的基本概率赋值函数。
3)利用自适应方式获得各传感器的直觉模糊集加权系数,获得加权基本概率赋值函数。考虑滑坡发生的渐变性,给出如何将概率转换成直觉模糊集,并根据模糊熵和散度测度给出各传感器的加权系数,获得加权模糊直觉概率分布函数。
4)利用改进型的DS证据理论进行融合处理,并给予决策判断,有利于提高可靠性和有效性。
现有技术若只采用单一传感器进行预警,没有综合的考虑地理环境、天气情况和监测的物理量特征数据,此时容易产生误报、漏报等现象。为解决这一问题,本发明采用降雨量、RTK表面位移、深度位移传感器等进行检测,利用RTK测量位移量,能够达到毫米级的精度,利用深度位移传感器提供监测点的内部变形信息,并考虑引起山体滑坡的其他因素。在此基础上,提出将各传感器获得的信息转换成概率、直觉模糊集的方法,并利用改进的证据理论进行融合处理,得到较好的结果,能够有效地提高山体滑坡预警的可靠性、有效性、准确性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施例总体流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
如图1所示,基于本发明提供的基于多传感数据融合技术的山体滑坡预警方法的整体方案,以下提供一个具体的实施例对方案进行进一步的展示和说明:
步骤1:利用降雨量测量仪、GNSS导航***和深部位移传感器对滑坡监测点进行监测,令某时刻的有效降雨量为20mm,根据公式(3)可知由该参数推断滑坡的概率为49.6%;水平位移量和垂直位移量的比值为0.1,根据公式(4)可知由该参数推断滑坡的概率为28.8%;深部位移量为200mm,根据公式(5)可知由该参数推断滑坡的概率为22.3%。
步骤2:根据公式(6)-(8)将降雨量测量仪、GNSS导航***和深部位移传感器所获取的概率数据转换成直觉模糊觉的概率分布函数。
步骤3:将步骤2所得的三个直觉模糊觉概率分布函数代入公式(12)-(13)获得基于信息熵的加权系数。
I(mR)=0.4,I(mD)=0.28,I(mG)=0.32
步骤4:将步骤2所得的三个直觉模糊觉概率分布函数代入公式获得基于模糊散度测度的加权系数。
S(mR)=0.2,S(mD)=0.29,S(mG)=0.51
步骤5:对步骤3和步骤4的加权系数进行处理,得理最终的加权系数,并获得加权概率分布函数。
加权系数:ω(mR)=0.23,ω(mD)=0.26,ω(mG)=0.51
加权概率分布函数:m={0.23,0.6,0.17}
步骤6:利用改进型的DS证据理论方法进行融合处理,得到融合结果F
F={0.06,0.94,0}
步骤7:根据融合结果中可以看出,此时发生滑坡的概率为6%,不发生滑坡的概率为94%,因此***不给予报警。该方法相对于单个传感器能够给出更为准确的结果。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于多传感数据融合技术的山体滑坡预警方法方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (7)
1.一种基于多传感数据融合技术的山体滑坡预警方法,其特征在于,包括以下步骤:
步骤S1:分别测出监测点位置的有效降雨量、地表位移量和深部位移量,并分别转换成对应的发生滑坡的概率;
步骤S2:将三种发生滑坡的概率分别转换为直觉模糊集;
步骤S3:计算基于熵和模糊散度测度的权重系数,获得加权基本概率赋值函数;
步骤S4:利用改进型DS证据理论融合规则进行迭代处理,得到融合结果作为最终滑坡的概率。
2.根据权利要求1所述的基于多传感数据融合技术的山体滑坡预警方法,其特征在于:在步骤S1中,通过降雨测量仪、GNSS定位***和深度位移传器分别测出监测点位置的有效降雨量、地表位移量和深部位移量。
3.根据权利要求2所述的基于多传感数据融合技术的山体滑坡预警方法,其特征在于:步骤S1具体包括以下步骤:
步骤S31:将有效降雨量转换成发生滑坡的概率:
所述有效降雨量通过下式计算获得:
Al=0.5406×e-3.392×l+7.94×10-2e-0.1286×l (2)
其中l=0时x0代表当天24小时降雨量,l=1时x1代表前一天24小时降雨量,l=2时x2代表前两天24小时降雨量,l=3时x3代表前三天24小时降雨量,Al代表每天的权重系数;
采用以下公式将有效降雨量转换成产生山体滑坡的概率:
PR(R)=(1.134×10-4×R3-0.02814×R2+2.348×R+12.96)/100 (3);
步骤S32:将地表位移量转换成发生滑坡的概率:
利用GNSS定位***和RTK技术计算测量点的水平位移量和垂直位移量,并将水平位移量和垂直位移量的比值转换成对山体滑坡的概率:
PG(k)=0.8539e0.04242k-2.248e-13.73k (4)
其中k表示水平位移量和垂直位移量的比值;
步骤S33:将深部位移量转换成发生滑坡的概率:
其中d表示深部位移量。
4.根据权利要求3所述的基于多传感数据融合技术的山体滑坡预警方法,其特征在于:
在步骤S2中,采用隶属度U、非隶属度V和犹豫度π三方面对滑坡事件进行描述,将有效降雨量、地表位移量和深部位移量转换成的发生滑坡的概率转换成直觉模糊集m={U(x),V(x),π(x)}:
U(x)=P(x)-0.5π(x) (7)
V(x)=1-π(x)-U(x) (8);
利用公式(6)-(8)对有效降雨量产生滑坡的概率进行转换,得到直觉模糊集
其中下标R代表有效降雨量;
利用公式(6)-(8)对深度位移量产生滑坡的概率进行转换,得到直觉模糊集
其中下标D代表深度位移量;
利用公式(6)-(8)对表面位移量比值产生滑坡的概率进行转换,得到直觉模糊集
其中下标G代表表面水平位移量和垂直位移量的比值。
5.根据权利要求4所述的基于多传感数据融合技术的山体滑坡预警方法,其特征在于,步骤S3具体包括以下步骤:
步骤S31:基于犹豫直觉模糊熵确定加权系数:
其中,n分别表示R、D、G三个模糊集函数;
其中i,j分别可以取R,D,G三个模糊集函数;当i=j即直觉模糊集相同时,它们之间的相似度为1;利用该方法得到本发明中3个传感器R、D、G之间的相似度矩阵C
计算R,D,G对产生滑坡的支持度Sup,下标代表不同的传感器:
归一化各传感器的支持度:
步骤S33:计算各传感器直觉模糊集的加权系数,获得加权基本概率赋值函数B:
7.根据权利要求6所述的基于多传感数据融合技术的山体滑坡预警方法,其特征在于:当融合结果中隶属度函数大于阈值0.5时产生预报警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052736.3A CN112903008B (zh) | 2021-01-15 | 2021-01-15 | 基于多传感数据融合技术的山体滑坡预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110052736.3A CN112903008B (zh) | 2021-01-15 | 2021-01-15 | 基于多传感数据融合技术的山体滑坡预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112903008A true CN112903008A (zh) | 2021-06-04 |
CN112903008B CN112903008B (zh) | 2023-01-10 |
Family
ID=76114744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110052736.3A Active CN112903008B (zh) | 2021-01-15 | 2021-01-15 | 基于多传感数据融合技术的山体滑坡预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112903008B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113432645A (zh) * | 2021-06-25 | 2021-09-24 | 中国矿业大学 | 基于nmr和北斗遥感联测的大坝及边坡稳定性监测预警方法 |
CN113723446A (zh) * | 2021-07-15 | 2021-11-30 | 杭州鲁尔物联科技有限公司 | 地灾监测预警方法、装置、计算机设备及存储介质 |
CN113916186A (zh) * | 2021-12-15 | 2022-01-11 | 广州吉欧电子科技有限公司 | 一种基于gnss和mems的形变监测***及方法 |
CN116861286A (zh) * | 2023-06-21 | 2023-10-10 | 四川省人工智能研究院(宜宾) | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
CN116952943A (zh) * | 2023-09-19 | 2023-10-27 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于倾斜摄影的林地坡面土壤侵蚀测量*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088982A1 (en) * | 2005-10-18 | 2007-04-19 | Valerie Guralnik | System and method for combining diagnostic evidences for turbine engine fault detection |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
US20090222399A1 (en) * | 2008-02-28 | 2009-09-03 | Sap Ag | Trustworthiness assessment of sensor data processing |
US20150148997A1 (en) * | 2013-11-28 | 2015-05-28 | Airbus Operations (S.A.S.) | Method for fusing data from sensors using a consistency criterion |
CN105741474A (zh) * | 2016-04-11 | 2016-07-06 | 泉州师范学院 | 一种基于多传感器的火灾预警方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
CN110211336A (zh) * | 2019-05-16 | 2019-09-06 | 西南交通大学 | 基于传感器的山体滑坡数据智能处理的方法 |
CN110264671A (zh) * | 2019-05-18 | 2019-09-20 | 西南交通大学 | 一种基于多传感器信息融合在山体滑坡中的预测方法 |
US20190292898A1 (en) * | 2018-03-26 | 2019-09-26 | Baker Hughes, A Ge Company, Llc | Model-based parameter estimation for directional drilling in wellbore operations |
CN110567324A (zh) * | 2019-09-04 | 2019-12-13 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的多目标群威胁度预测装置及方法 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
-
2021
- 2021-01-15 CN CN202110052736.3A patent/CN112903008B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070088982A1 (en) * | 2005-10-18 | 2007-04-19 | Valerie Guralnik | System and method for combining diagnostic evidences for turbine engine fault detection |
CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
US20090222399A1 (en) * | 2008-02-28 | 2009-09-03 | Sap Ag | Trustworthiness assessment of sensor data processing |
US20150148997A1 (en) * | 2013-11-28 | 2015-05-28 | Airbus Operations (S.A.S.) | Method for fusing data from sensors using a consistency criterion |
CN105741474A (zh) * | 2016-04-11 | 2016-07-06 | 泉州师范学院 | 一种基于多传感器的火灾预警方法 |
CN106779418A (zh) * | 2016-12-20 | 2017-05-31 | 河海大学常州校区 | 基于神经网络和证据理论的水污染事件智能决策方法 |
CN106778883A (zh) * | 2016-12-23 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于模糊集合的证据理论智能巡检信息融合方法 |
US20190292898A1 (en) * | 2018-03-26 | 2019-09-26 | Baker Hughes, A Ge Company, Llc | Model-based parameter estimation for directional drilling in wellbore operations |
CN110211336A (zh) * | 2019-05-16 | 2019-09-06 | 西南交通大学 | 基于传感器的山体滑坡数据智能处理的方法 |
CN110264671A (zh) * | 2019-05-18 | 2019-09-20 | 西南交通大学 | 一种基于多传感器信息融合在山体滑坡中的预测方法 |
US20200387785A1 (en) * | 2019-06-05 | 2020-12-10 | Wuhan University | Power equipment fault detecting and positioning method of artificial intelligence inference fusion |
CN110567324A (zh) * | 2019-09-04 | 2019-12-13 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的多目标群威胁度预测装置及方法 |
Non-Patent Citations (16)
Title |
---|
MAOLI RAN 等: "Research on Probability Statistics Method for Multi-sensor Data Fusion", 《2018 INTERNATIONAL CONFERENCE ON CYBER-ENABLED DISTRIBUTED COMPUTING AND KNOWLEDGE DISCOVERY (CYBERC)》 * |
YANG YU 等: "Research on the fault diagnosis methods for UUV utilize multi-sensor information fusion technology", 《OCEANS 2016 - SHANGHAI》 * |
刘德阳等: "基于多传感器滑坡监测预警***设计及应用", 《微处理机》 * |
刘明贵等: "信息融合技术在边坡监测与预报***中的应用", 《岩土工程学报》 * |
刘晓悦 等: "基于D-S证据理论的多传感器火灾报警方法", 《华北理工大学学报》 * |
刘海波等: "基于D-S证据理论的瓦斯突出危险等级评判策略", 《济南大学学报(自然科学版)》 * |
刘海波等: "模糊数据融合在煤矿采掘工作面瓦斯突出预测中的应用", 《自动化仪表》 * |
孙晓云等: "基于修正D-S证据理论的锚杆承载力预测方法研究", 《岩土力学》 * |
李光等: "多传感器数据融合技术在火灾报警中的应用", 《河北工业大学学报》 * |
李明波等: "基于多模块的松散土质滑坡灾害综合预警模型研究", 《西北师范大学学报(自然科学版)》 * |
段锁林 等: "基于模糊证据理论算法在火灾检测中的应用", 《计算机工程与应用》 * |
温宗周等: "优化GD-模糊规则的滑坡预报模型研究", 《计算机工程与应用》 * |
王海洋: "基于D-S证据理论融合算法的电缆沟火灾报警***研究", 《电气应用》 * |
蔚晓丹: "基于改进D-S信息融合方法的发动机故障诊断", 《公路交通科技》 * |
蔡植善 等: "多传感器数据融合的火灾探测报警***设计", 《泉州师范学院学报》 * |
霍冬冬等: "多源数据融合在岩质滑坡监测预警中的应用", 《四川理工学院学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113432645A (zh) * | 2021-06-25 | 2021-09-24 | 中国矿业大学 | 基于nmr和北斗遥感联测的大坝及边坡稳定性监测预警方法 |
CN113723446A (zh) * | 2021-07-15 | 2021-11-30 | 杭州鲁尔物联科技有限公司 | 地灾监测预警方法、装置、计算机设备及存储介质 |
CN113723446B (zh) * | 2021-07-15 | 2024-05-24 | 杭州鲁尔物联科技有限公司 | 地灾监测预警方法、装置、计算机设备及存储介质 |
CN113916186A (zh) * | 2021-12-15 | 2022-01-11 | 广州吉欧电子科技有限公司 | 一种基于gnss和mems的形变监测***及方法 |
CN113916186B (zh) * | 2021-12-15 | 2022-03-22 | 广州吉欧电子科技有限公司 | 一种基于gnss和mems的形变监测***及方法 |
CN116861286A (zh) * | 2023-06-21 | 2023-10-10 | 四川省人工智能研究院(宜宾) | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
CN116861286B (zh) * | 2023-06-21 | 2024-01-30 | 四川省人工智能研究院(宜宾) | 一种基于模糊计算的多模态滑坡位移智能预测方法 |
CN116952943A (zh) * | 2023-09-19 | 2023-10-27 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于倾斜摄影的林地坡面土壤侵蚀测量*** |
CN116952943B (zh) * | 2023-09-19 | 2023-12-08 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 一种基于倾斜摄影的林地坡面土壤侵蚀测量*** |
Also Published As
Publication number | Publication date |
---|---|
CN112903008B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112903008B (zh) | 基于多传感数据融合技术的山体滑坡预警方法 | |
Barlow et al. | US Geological Survey groundwater toolbox, a graphical and mapping interface for analysis of hydrologic data (version 1.0): user guide for estimation of base flow, runoff, and groundwater recharge from streamflow data | |
CN102435165B (zh) | 基于cnss的地面设施变形的长期监测方法 | |
CN105116440B (zh) | 一种边坡岩体监测***及监测方法 | |
CN108922123B (zh) | 一种矿山边坡滑移稳定性监测预警方法 | |
CN202501869U (zh) | 基于物联网的尾矿库在线安全监测*** | |
CN110234811B (zh) | 道路坍塌风险度评价装置、评价方法及评价用计算机程序 | |
CN106777585B (zh) | 一种区域浅表滑坡时空分异规律的esda分析法 | |
CN104483700B (zh) | 地层裂缝监测与预警***及方法 | |
CN109886456B (zh) | 基于pca与混合核函数lssvr的泥石流预测方法 | |
CN117493815B (zh) | 一种基于bim的深基坑监测方法及*** | |
CN111473770A (zh) | 一种基于综合属性测量的边坡状况评定方法 | |
CN111259335A (zh) | 一种隧道下穿道路施工风险分析***及方法 | |
CN116011816A (zh) | 一种面向建筑结构的多灾害监测与预警方法和装置 | |
JP7141309B2 (ja) | 地盤変位に起因する災害発生危険度定量評価システムとその方法とそのプログラム | |
CN116878432A (zh) | 一种公路采空区充填后的覆岩移动变形监测*** | |
CN107782284A (zh) | 一种大坝变形监测*** | |
Kim et al. | Integrated tunnel monitoring system using wireless automated data collection technology | |
CN117648873B (zh) | 地面沉降预测方法、训练方法、装置、设备 | |
Maurer | Moving towards an improved liquefaction hazard framework: lessons resulting from the 2010-2011 Canterbury, New Zealand, earthquake sequence | |
WO2023042303A1 (ja) | 状態判定装置、状態判定方法、及び、状態判定プログラムが格納された記録媒体 | |
Shaheen et al. | Comparison between Microwave Radar Gauge and Pressure Gauge in Monitoring Sea Level Surface at Alexandria Naval Port | |
Li et al. | Shock and Vibration of Rainfall on Rotational Landslide and Analysis of Its Deformation Characteristics | |
Fatkhurrohman et al. | Performance analysis of Sebesi Island automatic water level station as tsunami confirmation system | |
Weiguo et al. | Research Article Shock and Vibration of Rainfall on Rotational Landslide and Analysis of Its Deformation Characteristics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |