一种局部区域滑坡预测装置及方法与流程

技术特征：

1.一种局部区域滑坡预测装置，其特征在于包括：监测点管理模块、局部区域管理模块、机器学习模块、模型管理模块、评估模块和显示模块；

所述监测点管理模块与局部区域管理模块连接；所述局部区域管理模块与机器学习模块连接；

所述机器学习模块与模型管理模块连接；

所述模型管理模块与评估模块连接

所述评估模块与显示模块连接。

2.根据权利要求1所述的一种局部区域滑坡预测装置，其特征在于：

所述监测点管理模块用于管理滑坡区域的传感器监测点及监测点的监测数据；

所述机器学习模块学习输入的滑坡数据，提取滑坡特征，发现数据之间的规律联系，建立并优化滑坡模型；

所述局部区域管理模块用于建立局部区域滑坡类别及管理滑坡区域概率数据；

所述模型管理模块用于不同区域滑坡优化的模型的管理；

所述评估模块用于评估每个阶段建立的滑坡模型；

所述显示模块用于显示传感器监测点，不同区域滑坡趋势和概率等直观信息。

3.根据权利要求1或所述的一种局部区域滑坡预测装置的局部区域滑坡预测方法，其特征在于包括训练过程和评估过程。

4.根据权利要求3所述的一种局部区域滑坡预测方法，其特征在于所述训练过程包括以下步骤：

步骤S1：局部区域编号Re_m，1≤m≤M，M为局部区域总数，监测点编号Ds_n，1≤n≤N，1≤m≤N,N为局部区域的监测点总数，滑坡区域数据集为神经网络总层数为Layer；

步骤S2：初始化神经网络当前层layer为layer＝Layer,m＝1；

步骤S3：k＝m，局部区域Re_m的矩阵图训练集S_m代表监测点的传感器数据集映射为k×k的矩阵图训练集，局部区域Re_m监测点传感器数据集在训练过程中各个时间节点为t_π,1≤t_π≤T，T为该局部区域训练总时间；局部区域滑坡Re_m的滑坡概率为P_m；

步骤S4：初始化i＝I,j＝J；I为选取特征图数量上限，J为选取数据维数上限；

步骤S5：在k×k的矩阵图训练集中提取出i个j×j的局部矩阵图训练集{map₁,map₂,...,map_i},layer层每个神经元需要的权重参数个数为i×j，将所有权值初始化为一个随机数w_ij＝Random(i,j)；步骤S6：判断当前层是否为卷积层，如果是，转到步骤S7，如果否，转到步骤S8；

步骤S7：通过激活函数计算f(x)为激活函数，在这一步中传入的参数x为为第layer-1层第i个特征图map_i对应的第j维数据，为当前层layer神经元对应的权值，B^layer为当前层layer的唯一偏移，当前层layer的神经元与其对应的局部区域矩阵图连接，转到步骤S9；

步骤S8：通过激活函数计算当前层layer的输出f(x)为激活函数，在这一步中传入的参数x为为当前层layer-1层第i个特征图map_i对应的第j维数据，为当前层layer的神经元对应的权值，B^layer为当前层layer的唯一偏移，β为当前层layer的训练参数；

步骤S9：将当前层下移一层，特征图和数据维数各减一，layer＝layer-1，i＝i-1，j＝j-1；

步骤S10：判断是否layer≥1∩i≥1∩j≥1，如果是，转到步骤S5，如果否，转到步骤S11；

步骤S11：光栅化输出向量将各层的输出依次展开排列连接成一个向量；得到局部区域Re_m对应的监督策略模型ModelC_m(x)；

步骤S12：使用随机梯度下降法，更新监督策略模型ModelC_m(f(σ))，σ为更新参数，f(σ)为最大似然函数，选取随机梯度下降法的最大似然函数为：

步骤S13：训练当前层layer的迁移模型ModelQ_m(x)，完全复制监督策略模型ModelC_m(f(σ))的数据结构，作为迁移模型ModelQ_m(g(ρ))的初始化数据结构，初始化参数ρ＝σ。

步骤S14：使用随机梯度上升法更新参数ρ,更新迁移模型ModelQ_m(g(ρ))，选取随机梯度上升法的最大似然函数为：m＝m+1；

步骤S15：判断是否有1≤m≤M，如果是，转到步骤S3，如果否，转到步骤S16。

步骤S16：训练结束。

5.根据权利要求3所述的一种局部区域滑坡预测方法，其特征在于所述评估过程包括以下步骤：

步骤5.1：初始化m＝1；

步骤5.2：计算局部区域Re_m的滑坡趋势值ModelQ_m(g(ρ))为矩阵图训练集对应的迁移模型，t为当前时刻，反映当前时刻Re_m区域的滑坡概率分布情况；

步骤5.3：计算局部区域滑坡发展趋势值

步骤5.4：采用公式更新矩阵图训练集对应的迁移模型ModelQ_m(g(ρ))，m＝m+1；

步骤5.5：判断是否1≤m≤M，如果是，转到步骤5.2，如果否，转到步骤5.6

步骤5.6：显示局部区域滑坡发展趋势；

步骤5.7：评估结束。