基于KPCA-FOA-LSSVM的滑坡灾害预报方法技术

本发明专利技术公开的基于KPCA‑FOA‑LSSVM的滑坡灾害预报方法，首先建立滑坡体实时监测预警系统，获取监测区的实时数据，将其标准化处理后，运用核主成分分析法筛选出滑坡发生主要影响因素作为输入变量；构建基于LSSVM滑坡灾害预报模型；然后运用果蝇算法进行参数寻优，更新网络参数；最后重构已优化的滑坡灾害预报模型，输出滑坡发生概率对应发生等级，完成预报。本发明专利技术公开的方法通过建立滑坡体实时监测预警系统获取监测数据，经过核主成分分析筛选出主要影响因素后利用基于果蝇算法优化的最小二乘向量机模型中训练输出滑坡发生概率，提升预报效率，增加精确度。

【技术实现步骤摘要】
基于KPCA-FOA-LSSVM的滑坡灾害预报方法
本专利技术属于地质灾害监测
，涉及一种基于KPCA-FOA-LSSVM的滑坡灾害预报方法。
技术介绍
滑坡是一种常见的自然灾害现象，它的出现能够使农田与房舍被摧毁、破坏道路与水利水电设施，从而导致停电、停水、停工等后果，严重时还可能威胁到人类的生命安全。因此，如何采取及时而准确的滑坡灾害预报方法成为人们所关注的热点。针对滑坡发生的随机性、高频率、影响范围广等特点，国内外学者对其进行了深入的研究，但使用的方法各有利弊。例如灰色模型，无需大量训练样本且计算工作量小，但由于其内在机理复杂，难以分析，导致准确率不够稳定；神经网络模型具有较好的自主学习与容错能力，但其收敛速度较慢，时间过长容易陷入局部极值；朴素贝叶斯判别模型，对于多分类问题处理效果好，但在分析较为复杂的样本时误判率会上升；支持向量机(SVM)模型，具有良好的泛化能力，在训练样本时易于寻求全局最优解，但缺点是其训练机理为一个有约束的二次规划问题，在样本容量大时，可能导致训练时间过长，效率低下。而最小二乘支持向量机(LSSVM)的出现，改变了标准SVM的约束条件与风险函数，在继承支持向量机优点的同时，还能够很好地解决数据量少、过学习以及高维数等实际问题，提升了训练效率与准确性，在预测预报领域中体现出较大优势。鉴于此，本专利技术提出一种基于KPCA-FOA-LSSVM的滑坡灾害预报方法，首先运用核主成分分析法(Kernelprincipalcomponentsanalysis，KPCA)筛选出研究区滑坡发生主要影响因素，将标准化处理后的数据输入于最小二乘支持向量机(Leastsquaresupportvectormachines，LSSVM)滑坡预测模型中进行运算，然后利用果蝇优化算法(FruitFlyOptimizationAlgorithm，FOA)参数优化，更新网络参数，最后输出滑坡发生概率对应发生等级完成滑坡预报。
技术实现思路
本专利技术的目的是提供一种基于KPCA-FOA-LSSVM的滑坡灾害预报方法，解决现有灾害预报方法采用的算法过学习、效率低、精确度不高的问题。本专利技术所采用的技术方案是，基于KPCA-FOA-LSSVM的滑坡灾害预报方法，具体过程包括如下步骤：步骤1.建立滑坡体实时监测预警系统，获取监测区滑坡的实时数据，将其标准化处理后，运用核主成分分析法筛选出滑坡发生主要影响因素作为输入变量；步骤2.构建基于最小二乘支持向量机滑坡灾害预报模型；步骤3.运用果蝇算法进行参数寻优，更新网络参数；步骤4.根据步骤3优化的结果，重构滑坡灾害预报模型，输出滑坡发生概率对应的发生等级，实现滑坡灾害的实时监测。本专利技术的其他特点还在于，步骤1中获取监测区滑坡的实时数据，将其标准化处理后，运用核主成分分析法筛选出滑坡发生主要影响因素作为输入变量的具体过程如下：步骤1.1分析不同的监测区存在不同的滑坡灾害影响因素，根据地质环境背景与历史灾害发生记载情况，确定初始影响因素为：降雨量、土壤含水率、裂缝位移值、孔隙水压力、次声频率、坡向、坡度、高程、平面曲率、地层振动指数、归一化植被系数和岩组工12个影响因素；将滑坡体监测预警系统采集的实时数据作为原始数据集；步骤1.2将步骤1.1获取的原始数据标准化处理，如公式1所示：其中，x为标准化后的值，xOriginal为输入的实际值，xmin和xmax分别为所有输入值中的最小值和所有输入值中的最大值；步骤1.3采用核主成分分析法筛选出滑坡发生的主要影响因素，具体过程如下：设训练样本集为X＝{x1,x2,…xn}，其中xi∈RP，yi＝Rp(RP为输入空间，P为数据维数，i＝1，…n，n为训练样本总数)，输入空间非线性映射X→F，则对应的协方差矩阵C如式2所示：其中，C为协方差矩阵，n为训练样本数，为输入空间非线性映射量；对协方差矩阵C进行特征分解，如式3所示：λνi＝Cλ(3)其中，λ≥0，且特征向量如式4所示：由于特征向量ν是由非线性映射空间组成，因此，式3与式5等价：将式2、式4代入式5中，且令其中K为核矩阵，得到式6：Kαn＝nλiαn(6)其中，核矩阵的特征向量为α1，α2…αn，特征值为nλi；选取前m(m<n)个特征值对应的归一化特征向量α1，α2…αm，其中对在νr投影如式7所示：其中，j＝1,2…,n；r＝1，2，…,m；gr(xj)为对应于的第r个非线性主元分量；令所有投影值g(xj)＝(g1(xj)，g2(xj)…gm(xj))作为样本特征值，利用核函数代替空间点积计算，则式7转换为式8所示：根据μj贡献率选取主要成分Tj，如公式9所示：其中，i为主元成分个数，μi为主成分贡献率，λi为第i个特征值，为总特征值；式9中取累计方差贡献率μj≥85％作为主要滑坡灾害影响因子数据，因此，筛选出的主要灾害影响因素为：x1＝降雨量，x2＝土壤含水率，x3＝裂缝位移量，x4＝孔隙水压力，x5＝次声频率，x6＝岩组，x7＝归一化植被系数。步骤2中构建基于最小二乘支持向量机的具体过程如下：步骤2.1将步骤1中筛选出的7个主要影响因素作为模型输入部分，设其中共有K个样本，将样本设置为8:1的分配比例，分别为训练样本和测试样本；且将模型输出设置为一个5维向量，其输出量为：Y1＝成灾概率0～20％，Y2＝成灾概率20～40％，Y3＝成灾概率40～60％，Y4＝成灾概率60～80％，Y5＝成灾概率80～100％，且各分量的值分别为1或-1；步骤2.2构建基于最小二乘支持向量机的滑坡灾害预报模型：对于步骤2.1中给定的样本作非线性映射φ：Rn→F，设定训练样本集(xi,yi)，i＝1,…,k，k为样本总数；xi∈Rn，yi∈R，Rn为输入空间，n为数据维数；因此，被估计函数表达式如式10所示：y＝f(x)＝wTφ(x)+b(10)其中，w和b均为结构风险化最小化模型参数，且w代表空间F的权向量，b∈R代表为偏差量；f(x)为被估计函数；在确定决策参数w、b时，求解问题如式11所示：其中，ξk∈R为误差变量，γ为可调超参数；由式11定义拉格朗日函数形式如式12所示：其中，αk∈R为拉格朗日乘子；对式12中的各变量求偏导并整理为线性方程组，得到式13：其中，Il＝[1,1,…,1]；Ωij＝K(xi,xj)＝φ(xi)Tφ(xj)，K(xi,xj)为核函数；α＝[α1,α2…αl]，i,j＝1,2,…l；在此，核函数选择RBF高斯径向基核函数，其表达式如式14所示：由式13中得出最小二乘支持向量机的函数估计如式15所示：其中，不为零的元素αi所对应的样本(xi,yi)为支持向量；由式13和式15得到第m等级的分类功能如式16所示：其中，如果分类结果属于第m类(m＝1,2,3,4,5)，则ymi＝1，否则ymi＝-1；fm(x)为分类出的第m个等级；如果对应的各类的分类函数，即公式16的输出结果是1，则属于该等级；如果输出结果是-1，则不属于该等级。步骤3中运用果蝇算法进行参数寻优，更新网络参数的具体过程如下：步骤3.1初始化果蝇算法参数，包括种群规模、迭代次数以及果蝇初始位置，针对最小二乘支持向量机模型中需要优化的两个参数：可调超参数γ和核参数σ，选取样本本文档来自技高网...

【技术保护点】
1.基于KPCA‑FOA‑LSSVM的滑坡灾害预报方法，其特征在于，具体过程包括如下步骤：步骤1.建立滑坡体实时监测预警系统，获取监测区滑坡的实时数据，将其标准化处理后，运用核主成分分析法筛选出滑坡发生主要影响因素作为输入变量；步骤2.构建基于最小二乘支持向量机滑坡灾害预报模型；步骤3.运用果蝇算法进行参数寻优，更新网络参数；步骤4.根据步骤3优化的结果，重构滑坡灾害预报模型，输出滑坡发生概率对应的发生等级，实现滑坡灾害的实时监测。

【技术特征摘要】
1.基于KPCA-FOA-LSSVM的滑坡灾害预报方法，其特征在于，具体过程包括如下步骤：步骤1.建立滑坡体实时监测预警系统，获取监测区滑坡的实时数据，将其标准化处理后，运用核主成分分析法筛选出滑坡发生主要影响因素作为输入变量；步骤2.构建基于最小二乘支持向量机滑坡灾害预报模型；步骤3.运用果蝇算法进行参数寻优，更新网络参数；步骤4.根据步骤3优化的结果，重构滑坡灾害预报模型，输出滑坡发生概率对应的发生等级，实现滑坡灾害的实时监测。2.如权利要求1所述的基于KPCA-FOA-LSSVM的滑坡灾害预报方法，其特征在于，所述步骤1中获取监测区滑坡的实时数据，将其标准化处理后，运用核主成分分析法筛选出滑坡发生主要影响因素作为输入变量的具体过程如下：步骤1.1分析不同的监测区存在不同的滑坡灾害影响因素，根据地质环境背景与历史灾害发生记载情况，确定初始影响因素为：降雨量、土壤含水率、裂缝位移值、孔隙水压力、次声频率、坡向、坡度、高程、平面曲率、地层振动指数、归一化植被系数和岩组工12个影响因素；将滑坡体监测预警系统采集的实时数据作为原始数据集；步骤1.2将步骤1.1获取的原始数据标准化处理，如公式1所示：其中，x为标准化后的值，xOriginal为输入的实际值，xmin和xmax分别为所有输入值中的最小值和所有输入值中的最大值；步骤1.3采用核主成分分析法筛选出滑坡发生的主要影响因素，具体过程如下：设训练样本集为X＝{x1,x2,…xn}，其中xi∈RP，yi＝Rp(RP为输入空间，P为数据维数，i＝1，…n，n为训练样本总数)，输入空间非线性映射X→F，则对应的协方差矩阵C如式2所示：其中，C为协方差矩阵，n为训练样本数，为输入空间非线性映射量；对协方差矩阵C进行特征分解，如式3所示：λνi＝Cλ(3)其中，λ≥0，且特征向量如式4所示：由于特征向量ν是由非线性映射空间组成，因此，式3与式5等价：将式2、式4代入式5中，且令其中K为核矩阵，得到式6：Kαn＝nλiαn(6)其中，核矩阵的特征向量为α1，α2…αn，特征值为nλi；选取前m(m<n)个特征值对应的归一化特征向量α1，α2…αm，其中对在νr投影如式7所示：其中，j＝1,2…,n；r＝1，2，…,m；gr(xj)为对应于的第r个非线性主元分量；令所有投影值g(xj)＝(g1(xj)，g2(xj)…gm(xj))作为样本特征值，利用核函数代替空间点积计算，则式7转换为式8所示：根据μj贡献率选取主要成分Tj，如公式9所示：其中，i为主元成分个数，μi为主成分贡献率，λi为第i个特征值，为总特征值；式9中取累计方差贡献率μj≥85％作为主要滑坡灾害影响因子数据，因此，筛选出的主要灾害影响因素为：x1＝降雨量，x2＝土壤含水率，x3＝裂缝位移量，x4＝孔隙水压力，x5＝次声频率，x6＝岩组，x7＝归一化植被系数。3.如权利要求2所述的基于KPCA-FOA-LSSVM的滑坡灾害预报方法，其特征在于，所述步骤2中构建基于...

【专利技术属性】
技术研发人员：温宗周，程少康，李丽敏，李成强，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61