CN112949189A - 一种基于深度学习的多因素诱发滑坡预测的建模方法 - Google Patents

一种基于深度学习的多因素诱发滑坡预测的建模方法 Download PDF

Info

Publication number
CN112949189A
CN112949189A CN202110248287.XA CN202110248287A CN112949189A CN 112949189 A CN112949189 A CN 112949189A CN 202110248287 A CN202110248287 A CN 202110248287A CN 112949189 A CN112949189 A CN 112949189A
Authority
CN
China
Prior art keywords
landslide
rbm
network
deep learning
prediction
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.)
Pending
Application number
CN202110248287.XA
Other languages
English (en)
Inventor
夏旭
刘琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Vocational Institute Of Safety Technology (changsha Coal Mine Safety Technology Training Center)
Original Assignee
Hunan Vocational Institute Of Safety Technology (changsha Coal Mine Safety Technology Training Center)
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Vocational Institute Of Safety Technology (changsha Coal Mine Safety Technology Training Center) filed Critical Hunan Vocational Institute Of Safety Technology (changsha Coal Mine Safety Technology Training Center)
Priority to CN202110248287.XA priority Critical patent/CN112949189A/zh
Publication of CN112949189A publication Critical patent/CN112949189A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

为提高降雨型滑坡的预测准确率，克服现有预测方法难以处理多因素非线性关系的问题，本发明公开了一种基于深度学习的多因素诱发滑坡预测的建模方法，对传统的DBN算法进行改进，引入动量学习率、Dropout和Softmax技术，避免收敛困难或局部最优，减少过拟合问题，实现对导致降雨型滑坡的多个影响因素进行非线性分类优化与预测。仿真实验结果验证了本发明所提出模型的准确率，为利用深度学习方法进行降雨型滑坡预测提供了新思路。

Description

一种基于深度学习的多因素诱发滑坡预测的建模方法
技术领域
本发明涉及一种基于深度学习的多因素诱发滑坡预测的建模方法。
背景技术
我国幅员辽阔，地理环境复杂多样，常见的地质灾害包括滑坡、崩塌、泥石流等六种类型，其中，滑坡灾害的数量占总的自然灾害次数超过50％，而滑坡灾害的发生和发展过程及其复杂，具有非线性动态特征,对于引发滑坡的因素进行研究并建立预测模型仍然是全世界学术界的热门话题。虽然造成滑坡的诱导因素众多，但是，降雨是最基本的触发因素，利用人工智能技术开展降雨型滑坡预测的研究意义重大。
早期关于滑坡预测的研究是1968年由日本学者斋腾迪孝基于蠕变破坏理论提出的模型，随着数学理论在建模中的快速运用，开始有学者开展以泥石流流速和流量为研究对象的动力特征计算建模研究，而人工智能技术的兴起，非线性模型的研究逐渐成为研究热点，Biswajeet Pradhan利用神经网络的反向传播训练方法确定滑坡的敏感性指数，ChenJ等人利用遗传算法和神经网络，对地质灾害发生的趋势进行建模，实现对地质灾害的预测，Poonam Kainthura等人将地理信息***(GIS)引入地质灾害预测，利用K-means算法创建定义不同降雨水平的聚类，利用ID3决策树进行预测预警，Alvioli M对降雨诱发的浅层滑坡时间和分布进行了研究，并构建了基于网格的区域边坡稳定性模型，提出了降雨触发滑坡预警的方法,刘艳辉对基于统计方法的区域地质灾害预警模型进行了分析，认为现有的模型存在预警指标较为单一或模型计算复杂等问题，总的来说，以往的研究更多的是采用概率和数学统计以及浅层的神经网络，这些方法大部分存在较大的主观性，偏重定性分析而非定量分析，导致难以充分对造成滑坡的多个影响因素及其复杂的非线性关系进行建模和预测。
深度学习是人工智能领域的重要研究方向，其中，深度信念网络(deep beliefnetwork,DBN)是2006年由Hinton提出，它由多个限制玻尔兹曼机(restricted Boltzmannmachine,RBM)堆栈形成，可以更好的反映各造成滑坡影响因素之间的复杂关系，目前，DBN已经广泛的应用在语音识别、图像识别等多个领域，但是，将DBN运用在滑坡灾害中的研究较少，主要集中在滑坡的易发性研究中。
因此，有必要设计一种新的降雨型滑坡预测的建模方法。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习的多因素诱发滑坡预测的建模方法，或者称为基于深度学习的降雨型滑坡预测方法，该基于深度学习的多因素诱发滑坡预测的建模方法，能改善预测效果，且易于实施。
发明的技术解决方案如下：
一种基于深度学习的多因素诱发滑坡预测的建模方法，采用的模型为EC-DBN模型；
EC-DBN模型的结构为：包括依次连接的RBM网络、BP网络和Softmax分类器；
RBM网络为径向基神经网络，BP网络为反向传递神经网络；BP是Back Propagation的缩写；
EC-DBN模型的输入为RBM网络的输入，为7个因素：地貌类型、岩组、高程、坡度、坡型、灾害发生前7日的累计降水量和每日降水量；
EC-DBN模型的输出为Softmax分类器的输出，为4种：巨型滑坡，大型滑坡，中型滑坡，小型滑坡。
通过CF方法计算得出孕灾环境的各影响因素子集的系数即CF值，并对CF值进行归一化处理。
在RBM网络中，引入动量学习率改善RBM网络的性能：公式为：
Figure BDA0002964965490000021
wij表示可视层单元i与隐藏层单元j的连接权重，aj和bj分别表示可视层单元i和隐藏层单元j的偏置；
Figure BDA0002964965490000022
分别表示第η次迭代时连接权重wij、可视层单元i和隐藏层单元j的偏置aj和bj的变化量；
另外，需要说明的是，前文公式中的
Figure BDA0002964965490000031
等变量的计算方法为机器学习及RBM模型领域中的现有技术。
其中，η表示每层RBM迭代的次数，ρ表示动量学习率，且ρ在区间[0,1)内。
采用Dropout技术进行正则化处理：在预训练阶段，在神经网络输入和输出保持不变的前提下，使用一定的概率对隐藏层节点的权重进行随机采用，每一次进行调整，一部分神经元不参与正向传播训练过程。
特别的，将Dropout的概率设置为50％。
有益效果：
本发明基于湖南省近年来约5000条历史滑坡灾害数据样本，对湖南省的自然条件和地质环境进行分析，根据滑坡灾害的特点，对传统的DBN算法进行改进，引入动量学习率、Softmax回归等方法，对复杂的滑坡影响因素及相关数据进行训练，提出了一种基于改进DBN的滑坡灾害预测模型(EC-DBN)；
为提高降雨型滑坡的预测准确率，克服现有预测方法难以处理多因素非线性关系的问题，本发明对传统的DBN算法进行改进，引入动量学习率、Dropout和Softmax技术，避免收敛困难或局部最优，减少过拟合问题，实现对导致降雨型滑坡的多个影响因素进行非线性分类优化与预测。仿真实验结果验证了本发明所提出模型的准确率，为利用深度学习方法进行降雨型滑坡预测提供了新思路。
附图说明
图1为湖南省降雨型滑坡灾害分布图；
图2为DBN结构示意图；
图3为Dropout架构示意图；
图4为EC-DBN模型结构示意图；
图5为预测准确率与RBM层数的关系图；
图6为对比分析结果示意图。
具体实施方式
以下将结合附图和具体实施例对本发明做进一步详细说明：
实施例1：
1.研究区域概况与数据源
1.1研究区域概况
湖南省总面积约为21.2平方公里，全省地貌以丘陵岗地与山地为主，占总面积的80％左右，地质灾害频发，据统计，湖南全省的地质灾害高、中易发面积达16.45万平方公里，约占全省面积的78％。截至2019年底,全省已查明地质灾害隐患点共18496处，包括泥石流、崩塌、滑坡和地面塌陷等，影响人数达70.95万人，涉及财产283亿元，其中，最重要的地质灾害类型是降雨型滑坡灾害。
1，2数据的选取与来源
从灾害学的角度来看，造成滑坡的原因包括孕灾环境和致灾因子。本发明从上述两个方面考虑，结合采集数据的属性特征和滑坡灾害的研究现状，在孕灾环境上选取地貌类型、岩组、高程、坡度和坡型等5个因素，在致灾因子上选取灾害发生前7日的累计降水量、每日降水量等2个因素，共计7个因素为形成降雨型滑坡的主要影响因子。
本研究的数据来源包括：中国地质调查局地质环境监测院(www.cigem.cgs.gov.cn)、湖南省自然资源厅(zrzyt.hunan.gov.cn)和EM-DAT(TheInternational Disaster Database)，采集数据的时间段为2010-2019年，共产生有效信息5382条，可以绘制灾害信息分布图如图1所示。将全部数据样本分为两个部分，其中80％作为训练样本，其余作为实验样本，利用训练样本构建预测模型，然后用实验样本来对预测模型进行准确率评估。
2.EC-DBN预测模型
在EC-DBN预测模型中，首先对滑坡孕灾环境数据和致灾因子数据进行预处理，然后，对预处理后的数据进行预训练和微调。
在传统的DBN(DBN又称深度置信网络)算法中，学习率ε的选择至关重要，学习率ε过大会造成算法的收敛速度太快，算法不稳定，反之，虽然能保证算法的稳定性，但是会造成算法收敛速度太慢，在本发明提出的EC-DBN，这里的E表示本发明中提到的学习率，学习率是用ε表示的，C表示change，就是基于深度学习算法学习率改变的DBN算法，实际上还有其他的创新，但是，引入学习率是比较重要的地方，因此，本发明称此方法为EC-DBN；预测模型中使用动量学习率对原有的DBN算法进行改进，在DBN的无监督预训练阶段，使用动量学习率进行计算，在RBM参数的更新过程中增加动量项，以保证改进的DBN算法稳定性的同时，获取最优的特征向量，从而更准确的反映各滑坡灾害影响因素之间的关系。同时，为了解决多因素造成滑坡灾害的非线性多重分类问题，在DBN神经网络顶层添加Softmax的分类器并利用Dropout技术进行正则化处理，以下将详细对EC-DBN模型进行说明。
2.1数据的预处理
本发明主要是针对降雨型滑坡开展研究，因此，致灾因子就是湖南省汛期的降雨情况，即每年5-9月的降雨数据。在进行数据预处理过程中，致灾因子即实际观测的数据，而孕灾环境因素较多，为了充分评估各个不同孕灾环境之间的敏感性，需要进行预处理。预处理包括两个方面内容，分别是CF值的计算和归一化处理。
(1)CF值的计算
确定性系数(Certainly factor,CF)常用来分析影响某一事件的各因素敏感性，在本发明中利用CF方法计算滑坡灾害孕灾环境的各影响因素的系数。
首先，依据现有常用的分类准则将各孕灾环境因素划分为不同的子集，然后，利用CF的计算公式可以获得各孕灾环境因素子集的CF值，CF的计算公式为：
Figure BDA0002964965490000051
其中，Pa为条件概率，表示在数据集a中滑坡灾害发生的可能性，Ps为先验概率，表示在所有事件中滑坡灾害发生的可能性，CF的取值范围为[-1，1]，当CF的值为正数，表示滑坡发生的可能性增长，越接近1，滑坡发生的可能性越高，当CF的值为负数时，情况与其为正数相反，当CF接近0值时，表示不确定是否发生滑坡。利用CF方法可以计算得出孕灾环境的各影响因素子集的系数，如表1所示。
表1孕灾环境各因素的CF值
Figure BDA0002964965490000061
(2)归一化处理
为提升模型的收敛速度，方便计算，利用min-max方法对CF值进行归一化处理，处理后的样本数据值可映射到[0,1]范围内。归一化处理的公式为：
Figure BDA0002964965490000071
其中，y为归一化后的值，x、xmax和xmin分别表示原始数据、数据集的最大和最小值。
根据湖南省矿山地质环境恢复治理验收标准和中国地质灾害防治工程行业协会于2018年发布的《地质灾害分类分级标准》，可以将滑坡分为四种类别，分别是巨型滑坡、大型滑坡、中型滑坡和小型滑坡，具体指标如表2所示。
本研究中将预处理后的孕灾环境和致灾因子作为输入，在DBN神经网络中进行训练和仿真。
表2湖南省降雨型滑坡分类
Figure BDA0002964965490000072
2，2 EC-DBN预训练
在预训练阶段从低层到高层使用无监督贪婪的优化算法，对所有参数进行初始化。在传统的DBN网络中，包括了多个RBM，而RBM是由两层的神经元构成，其中，第一层为可视层，本研究中输入历史滑坡灾害训练数据，第二层为隐藏层，用于特征的提取，DBN是由多个RBM堆叠而成，其基本结果如图2所示。
在RBM中，利用能量函数来对不同层中各单元的权重和偏差的概率分布进行定义，能量函数公式为：
Figure BDA0002964965490000073
上述公式中，θ＝{wij,ai,bj}是需要进行优化的参数，这些参数对于算法性能有重要影响，n表示可视层单元的数量，m表示隐藏层单元的数量，wij表示可视层单元i与隐藏层单元j的连接权重，aj和bj分别表示可视层单元i和隐藏层单元j的偏置。当给定参数θ时，可以得到(v,h)的联合概率分布：
Figure BDA0002964965490000081
为了获得P(v,h)的边际分布，可以使用如下公式计算RBM模型分配给可视节点的概率。
Figure BDA0002964965490000082
对于参数θ，可以采用最大化RBM在训练样本上的对数似然函数计算得到：
Figure BDA0002964965490000083
其中，C表示进行训练的样本总数，c是训练样本标记。使用RBM的目的是获得最优的θ，即使lnP(vc|θ)最大化，从而获得最优的θ*，为此，令L(θ)＝ln P(vc|θ)，采用随机梯度法求L(θ)的最大值，对各个参数求偏导数：
Figure BDA0002964965490000084
其中，ε表示学习率，<·>model和<·>data分别表示在模型所确定分布的数学期望和训练数据集上的数学期望。
在实际应用中，计算L(θ)相对于θ的期望值较为困难，本发明采用对比散度方法(Contrastive Divergence,CD，参见文献：Hinton G E.Training products of expertsby minimizing contrastive divergence[J].Neural computation,2002,14(8):1771-1800.)进行计算，但是，在使用CD算法时，如果采用固定的学习率，容易造成整个计算难以收敛或出现局部最优现象，本研究中使用动量学习率解决该问题，即在参数的更新过程中增加动量项，得到如下公式：
Figure BDA0002964965490000091
其中，η表示每层RBM迭代的次数，ρ表示动量学习率，且ρ在区间[0,1)内，使用动量学习率后，每次参数值更新的方向不再完全由当前样本下的似然函数梯度方向决定，还与本次梯度方向相关，从而使提高整个算法的精度，更准确的反映造成滑坡的多个影响因素之间的关系。
2.3 EC-DBN微调
本发明采用BP算法对EC-DBN进行微调，微调的作用是保证算法的预测性能更优。通过预训练处理，可以得到每个RBM的初始化参数，然后，对这些参数进行调整和训练(具体调整方式为现有成熟技术)，从而保证每一层的网络参数得到优化。
2.4 EC-DBN非线性分类优化
造成滑坡的因素是多样的，而且呈现出复杂的非线性关系，因此，在本发明的预测模型中利用Softmax回归(Softmax regression)来解决非线性多重分类问题。具体方法是将Softmax的分类器添加到改进的DBN神经网络顶层。
假设Softmax回归模型有k个训练样本集，即{(x1,y1),...,(xk,yk)}，则Softmax回归的假设函数可以用如下公式表示：
Figure BDA0002964965490000092
其中，hθ(xi)用于计算测试样本xi属于j的概率值，即p(yi＝j|xi；θ),而θ是模型的参数向量，此时，可以将代价函数定义为：
Figure BDA0002964965490000101
该公式中，t表示分类的个数，在本发明中可以将滑坡分为四类，因此，t的值为4。I{·}是一个指示性函数，当大括号中的值为真时，其值为1，否则为0。
2，5 EC-DBN正则化
为了提高精确性，防止过拟合现象发生，本发明采用Dropout技术(参见文献：WuH,Gu X.Towards dropout training for convolutional neural networks[J].NeuralNetworks,2015,71:1-10.)进行正则化处理。在预训练阶段，在神经网络输入和输出保持不变的前提下，使用一定的概率对隐藏层节点的权重进行随机采用，每一次进行调整，一部分神经元不参与正向传播训练过程。本发明中，初始将Dropout的概率设置为50％，其结构如图3所示。
通过上述五个步骤，可以构建EC-DBN的多因素滑坡诱发滑坡预测模型，本发明选取地貌类型、岩组、高程、坡度、坡型、灾害发生前7日的累计降水量和每日降水量共计7个因素作为神经网络的输入，在预训练阶段利用动量学习率避免算法无法收敛或过早局部收敛，利用Dropout机制以一定的概率对隐藏层节点权重随机采样，避免过拟合现象的发生，最后，使用BP算法对每一层的参数值进行微调优化，该模型如图4所示。
3.仿真实验和性能评估
为对本发明所提出的EC-DBN预测模型进行验证，详细参数设置如表3所示，将滑坡灾害预测的准确率作为模型中预测性能的评估指标。
表3实验参数
Figure BDA0002964965490000102
3.1改变训练样本量和RBM层数的预测准确率测试
本实验在改变预训练样本数量和RBM层数的情况下进行测试。将预训练样本的数据量分别设置为1000、2000、3000、4000和5000，RBM的层数分别设置为1层到8层，实验结果如表4所示。
表4改变训练样本量和RBM层数的预测实验结果
Figure BDA0002964965490000111
在实验过程中，动量学***缓。
3，2改变RBM层数和节点数的准确率测试
本实验将预训练样本数量恒定为5000，此时，将RBM的层数从1层增加到8层，每一个RBM层的节点数量也相应进行改变，其灾害预测准确率如表5所示。
表5改变RBM层数和节点数的预测实验结果
Figure BDA0002964965490000121
从实验结果看，随着每层RMB节点数量的增加，预测准确率不断提升，显然，当RBM层数达到5后，预测准确率的变化趋于平缓。
从上述实验结果可以看出，随着RBM层数和节点数量的增加，预测准确率也随之升高，当RBM层数达到5后，预测的准确率趋于稳定，即92.5％，因此，该模型的RBM层数为5时，可以获得较为稳定和准确的预测效果。
3，3与其他算法的对比分析
为了对EC-DBN模型的预测效果进行分析，选取传统的DBN和PSO-BP模型进行对比分析，训练集的范围为1000到5000，预测结果如图6所示。
PSO-BP模型参见文献：Naus G J L,Ploeg J,Van de Molengraft M JG,et al.Amodel predictive control approach to design a parameterized adaptive cruisecontrol[M]//Automotive Model Predictive Control.Springer,London,2010:273-284.
从测试结果可以看出，当训练集较小时，四个模型的预测准确率差别不大，其值集中在60％左右，随着训练样本的增加，EC-DBN模型的准确率提高显著，当样本值的数量为5000时，本文所提出的EC-DBN模型的准确率分别比DBN和PSO-BP模型高出33.2％和20.4％，因此，EC-DBN模型与传统的DBN等和PSO-BP算法相比，其性能更优，能较好的满足实际需要，
4·结论
DBN是一种具有特征提取能力的深度学习算法，考虑到诱发滑坡的因素较多，且具有非线性关系，为了保证预测的准确率，本发明提出了EC-DBN预测模型，在预训练阶段利用动量学习率避免收敛困难或出现局部最优的问题，利用Dropout技术避免过度拟合的问题，利用Softmax回归实现非线性分类优化。仿真实验表明，该模型比传统的算法具有更准确的预测性能。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不局限于此。在不脱离本发明原理的前提下，还可对相关技术做出改进或替换，这些改进和替换也应视为本发明的保护范围。

Claims (5)

1.一种基于深度学习的多因素诱发滑坡预测的建模方法，其特征在于，采用的模型为EC-DBN模型；
EC-DBN模型的结构为：包括依次连接的RBM网络、BP网络和Softmax分类器；
RBM网络为径向基神经网络，BP网络为反向传递神经网络；
EC-DBN模型的输入为RBM网络的输入，为7个因素：地貌类型、岩组、高程、坡度、坡型、灾害发生前7日的累计降水量和每日降水量；
EC-DBN模型的输出为Softmax分类器的输出，为4种：巨型滑坡，大型滑坡，中型滑坡，小型滑坡。
2.根据权利要求1所述的基于深度学习的多因素诱发滑坡预测的建模方法，其特征在于，通过CF方法计算得出孕灾环境的各影响因素子集的系数即CF值，并对CF值进行归一化处理。
3.根据权利要求1所述的基于深度学习的多因素诱发滑坡预测的建模方法，其特征在于，在RBM网络中，引入动量学习率改善RBM网络的性能：公式为：
Figure FDA0002964965480000011
ε表示学习率；
wij表示可视层单元i与隐藏层单元j的连接权重，aj和bj分别表示可视层单元i和隐藏层单元j的偏置；
其中，
Figure FDA0002964965480000012
分别表示第η次迭代时连接权重wij、可视层单元i和隐藏层单元j的偏置aj和bj的变化量；
η表示每层RBM迭代的次数，ρ表示动量学习率，且ρ在区间[0,1)内。
4.根据权利要求1-3任一项所述的基于深度学习的多因素诱发滑坡预测的建模方法，其特征在于，采用Dropout技术进行正则化处理：在预训练阶段，在神经网络输入和输出保持不变的前提下，使用一定的概率对隐藏层节点的权重进行随机采用，每一次进行调整，一部分神经元不参与正向传播训练过程。
5.根据权利要求4所述的基于深度学习的多因素诱发滑坡预测的建模方法，其特征在于，将Dropout的概率设置为50％。
CN202110248287.XA 2021-03-07 2021-03-07 一种基于深度学习的多因素诱发滑坡预测的建模方法 Pending CN112949189A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110248287.XA CN112949189A (zh) 2021-03-07 2021-03-07 一种基于深度学习的多因素诱发滑坡预测的建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110248287.XA CN112949189A (zh) 2021-03-07 2021-03-07 一种基于深度学习的多因素诱发滑坡预测的建模方法

Publications (1)

Publication Number Publication Date
CN112949189A true CN112949189A (zh) 2021-06-11

Family

ID=76229789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110248287.XA Pending CN112949189A (zh) 2021-03-07 2021-03-07 一种基于深度学习的多因素诱发滑坡预测的建模方法

Country Status (1)

Country Link
CN (1) CN112949189A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256019A (zh) * 2021-06-15 2021-08-13 浙江中海达空间信息技术有限公司 一种基于无监督表征学习的地质灾害隐患敏感性预测方法
CN113408201A (zh) * 2021-06-18 2021-09-17 河南大学 基于地形单元的滑坡易发性评判方法
CN113822522A (zh) * 2021-06-23 2021-12-21 中国科学院空天信息创新研究院 一种滑坡易发性评估方法、装置、设备及可读存储介质
CN113888384A (zh) * 2021-10-20 2022-01-04 成都理工大学 一种滑坡灾害空间分布特征的分析方法及***
CN115935640A (zh) * 2022-12-02 2023-04-07 国家基础地理信息中心 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法
CN117933577A (zh) * 2024-03-21 2024-04-26 四川省华地建设工程有限责任公司 一种高位山体滑坡灾害的评估方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063247A (zh) * 2018-06-26 2018-12-21 西安工程大学 基于深度信念网络的滑坡灾害预报方法
CN208477703U (zh) * 2018-06-26 2019-02-05 西安工程大学 一种灾害预报监测***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063247A (zh) * 2018-06-26 2018-12-21 西安工程大学 基于深度信念网络的滑坡灾害预报方法
CN208477703U (zh) * 2018-06-26 2019-02-05 西安工程大学 一种灾害预报监测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LU HUANG: "《Method for Meteorological Early Waring of Precipitation-Induced Landslides Based on Deep Neural Network》", 《HTTPS://WWW.DOC88.COM/P-8781765694145.HTML》 *
邵双双: "《改进的深度信念网络预测模型及其应用》", 《计算机应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113256019A (zh) * 2021-06-15 2021-08-13 浙江中海达空间信息技术有限公司 一种基于无监督表征学习的地质灾害隐患敏感性预测方法
CN113408201A (zh) * 2021-06-18 2021-09-17 河南大学 基于地形单元的滑坡易发性评判方法
CN113408201B (zh) * 2021-06-18 2022-07-26 河南大学 基于地形单元的滑坡易发性评判方法
CN113822522A (zh) * 2021-06-23 2021-12-21 中国科学院空天信息创新研究院 一种滑坡易发性评估方法、装置、设备及可读存储介质
CN113888384A (zh) * 2021-10-20 2022-01-04 成都理工大学 一种滑坡灾害空间分布特征的分析方法及***
CN113888384B (zh) * 2021-10-20 2023-06-27 成都理工大学 一种滑坡灾害空间分布特征的分析方法及***
CN115935640A (zh) * 2022-12-02 2023-04-07 国家基础地理信息中心 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法
CN115935640B (zh) * 2022-12-02 2024-01-05 国家基础地理信息中心 滑坡敏感性预测模型建立方法及滑坡敏感性评价方法
CN117933577A (zh) * 2024-03-21 2024-04-26 四川省华地建设工程有限责任公司 一种高位山体滑坡灾害的评估方法及***

Similar Documents

Publication Publication Date Title
CN112949189A (zh) 一种基于深度学习的多因素诱发滑坡预测的建模方法
Pandey et al. A decision tree algorithm pertaining to the student performance analysis and prediction
CN109034194B (zh) 基于特征分化的交易欺诈行为深度检测方法
CN116108758B (zh) 滑坡易发性评价方法
CN107644057B (zh) 一种基于迁移学***衡文本分类方法
CN108062561A (zh) 一种基于长短时记忆网络模型的短时数据流预测方法
Oswal Predicting rainfall using machine learning techniques
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
CN110782658A (zh) 一种基于LightGBM算法的交通量预测方法
CN116721537A (zh) 基于gcn-ipso-lstm组合模型的城市短时交通流预测方法
CN112925908A (zh) 一种基于Attention的图注意力网络的文本分类方法及***
CN113240201A (zh) 一种基于gmm-dnn混合模型预测船舶主机功率方法
Sun Real estate evaluation model based on genetic algorithm optimized neural network
Zhu et al. Loan default prediction based on convolutional neural network and LightGBM
CN113033637B (zh) 一种基于岩石物理样本增强的集成学习岩相预测方法
Aziz Students' Performance Evaluation Using Machine Learning Algorithms
CN111708865B (zh) 一种基于改进XGBoost算法的技术预见及专利预警分析方法
Gyimah et al. Using decision tree classification algorithm to predict learner typologies for project-based learning
Wibisono et al. Perceptron rule improvement on FIMT-DD for large traffic data stream
CN111199314A (zh) 基于c4.5算法分析影响中学生成绩的因素的方法
CN114265954B (zh) 基于位置与结构信息的图表示学习方法
Wang Traffic accident data classification algorithm based on decision tree.
Velasco et al. Performance analysis of multilayer perceptron neural network models in week-ahead rainfall forecasting
CN115345245A (zh) 一种基于随机森林和迁移学习的热带气旋快速加强预报方法
Saravanan et al. A comprehensive approach on predicting the crop yield using hybrid machine learning algorithms

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210611

RJ01 Rejection of invention patent application after publication