一种灾害预报监测系统技术方案

本实用新型专利技术公开的一种灾害预报监测系统，包括现场预警终端和多个无线智能传感器模块，所述现场预警终端和多个所述无线智能传感器模块之间通过ZigBee模块进行通讯连接，所述现场预警终端模块通过GPRS模块与PC端控制中心通讯连接，所述现场预警终端用于接收并显示各传感器收集到的诱发因子数据，所述无线智能传感器模块用于采集诱发因子数据，并将标准化处理的样本通过ZigBee模块传送给所述现场预报终端模块。本实用新型专利技术公开的监测系统，解决了现有灾害预报系统采用的算法收敛速度慢，预报准确度低的问题。通过传感器采集到大量的灾害诱发因子，并通过MIV算法筛选出主要灾害诱发因子，加快提取速率，提升预报精确性。

A Disaster Prediction and Monitoring System

The utility model discloses a disaster prediction and monitoring system, which comprises a field early warning terminal and a plurality of wireless intelligent sensor modules. The communication connection between the field early warning terminal and the plurality of said wireless intelligent sensor modules is carried out through ZigBee module. The field early warning terminal module is communicated with the PC terminal control center through GPRS module, and the field early warning terminal is used for receiving. The inducing factor data collected by each sensor is displayed. The wireless intelligent sensor module is used to collect the inducing factor data, and the standardized sample is transmitted to the field prediction terminal module through ZigBee module. The monitoring system disclosed by the utility model solves the problems of slow convergence speed and low prediction accuracy of the algorithm adopted by the existing disaster prediction system. A large number of disaster-inducing factors were collected by sensors, and the main disaster-inducing factors were screened out by MIV algorithm, so as to speed up the extraction rate and improve the accuracy of prediction.

【技术实现步骤摘要】
一种灾害预报监测系统
本技术属于地质灾害预报
，涉及一种灾害预报监测系统。
技术介绍
滑坡是重要的地质灾害类型之一，它威胁着人类的生命及财产安全，并对灾害发生地区的基础设施和生态环境具有极大破坏作用。因此，如何运用相应技术手段对滑坡灾害进行实时性监测预报，最大程度降低损失，成为我们关注的主要内容。现有的滑坡灾害预报方法有很多，研究阶段分为多个时期。第一阶段处于20世纪60～70年代，以现象预报和经验预报为主，即著名的“斋藤法”。专家凭借滑坡破坏现象对滑坡失稳进行推断，但此方法仅适用于已有滑坡前兆的情况下，实时性差且预报精度低。第二阶段，20世纪80年代，国内外许多学者大量引入各种数学方法与理论模型，例如，Hoek据智利Chuqicamata矿滑坡监测时间-位移曲线提出了外延法，根据所建的模型作外推预报，但其仅能对滑坡近期行为进行推测，存在一定的限制。第三阶段，HaruyamaM等基于灰色系统理论开始被应用于滑坡预报研究，但因其拟合预测距实测值偏差较大，由于灰导数等概念引入白化微分方程，使得预测精度不高。第四阶段，BP人工神经网络算法应用于滑坡灾害预报领域中，此种算法具有非线性映射、自适应性学习、大规模并行处理、较强容错性等优点，对滑坡预测预报方面有很高的研究价值。但同时也存在弊端，如神经网络容易陷入局部最优问题、收敛速度慢等。而深度学习作为第三代神经网络，能够从繁多无标签样本中提取出特征量，凭借其多层交互结构及逐层训练的稳定性，将样本进行训练，更适合滑坡灾害预测模型建立，增加预报精确度。鉴于此，本技术提出一种灾害预报监测系统，通过建立滑坡体监测预警系统，结合平均影响值(MeanImpactValue，MIV)算法筛选，筛选出主要灾害诱发因子，然后对两层RBM(RestrictedBoltzmannMachine，RBM)进行预训练并提取特征信息，利用遗传算法对模型调优，采用三层BP网络(Back-PropagationNetwork，BP)模拟滑坡灾害诱发因子与灾害发生等级的关系进行滑坡预报。
技术实现思路
本技术的目的是提供一种灾害预报监测系统，解决了现有灾害预报系统采用的算法收敛速度慢，预报准确度低的问题。本技术所采用的技术方案是，一种灾害预报监测系统，包括现场预警终端和多个无线智能传感器模块，现场预警终端和多个无线智能传感器模块之间通过ZigBee模块进行通讯连接，现场预警终端通过GPRS模块与PC端控制中心通讯连接，现场预警终端用于接收并显示各传感器收集到的诱发因子数据，无线智能传感器模块用于采集诱发因子数据，并将标准化处理的样本通过ZigBee模块传送给现场预警终端。本技术的其他特点还在于，现场预警终端包括中央处理器a，中央处理器a分别连接有存储模块、USB接口、触摸屏和GPRS模块，触摸屏用于显示无线智能传感器模块上传的数据以及人机交互界面供现场预警终端设置参数。中央处理器a所用的芯片型号为STM32。每个无线智能传感器模块也包括中央处理器b，中央处理器b分别连接有存储模块、RS232接口、RS485接口、模拟量、数字量以及脉冲量数据接口。中央处理器b所采用的芯片型号为MSP430。本技术的有益效果是，一种灾害预报监测系统，解决了现有灾害预报系统采用的算法收敛速度慢，预报准确度低的问题。具有以下的有益效果：(1)能够通过传感器采集到大量的灾害诱发因子，并通过MIV算法筛选出主要灾害诱发因子，加快提取速率，提升预报精确性；(2)DBN对诱发因子样本数据进行特征学习，提升了数据可用性，进一步提升预报精确度。附图说明图1是本技术的一种灾害预报监测系统的结构示意图；图2是本技术的一种灾害预报监测系统所采用的预报方法的流程图。具体实施方式下面结合附图和具体实施方式对本技术进行详细说明。本技术的一种灾害预报监测系统，如图1所示，包括现场预警终端和多个无线智能传感器模块，现场预警终端和多个无线智能传感器模块之间通过ZigBee模块进行通讯连接，现场预警终端通过GPRS模块与PC端控制中心通讯连接，现场预警终端用于接收并显示各传感器收集到的诱发因子数据，无线智能传感器模块用于采集诱发因子数据，并将标准化处理的样本通过ZigBee模块传送给现场预警终端。现场预警终端包括中央处理器a，中央处理器a分别连接有存储模块、USB接口、触摸屏和GPRS模块，触摸屏用于显示无线智能传感器模块上传的数据以及人机交互界面供现场预警终端设置参数。现场预警终端的中央处理器a所用的芯片型号为STM32。每个无线智能传感器模块也包括中央处理器b，中央处理器b分别连接有存储模块、RS232接口、RS485接口、模拟量、数字量以及脉冲量数据接口。无线智能传感器模块的中央处理器b所采用的芯片型号为MSP430。本技术的一种灾害预报监测系统中现场预警终端负责接收并显示各传感器收集到的诱发因子数据，同时与初始设定报警阈值进行比较，当超过阈值范围时直接传输给现场报警，不超过阈值时则通过GPRS无线传输将数据存储至PC端控制中心，并能通过ZigBee远程设置无线智能传感器的参数，以及召测数据；预报终端各模块的主要作用是：存储模块负责存储各参数的报警阈值以及接收到的各无线传感器发送的数据；GPRS模块负责预报终端与中央处理器之间的通讯包括发送监测数据到PC控制中心和接收控制中心的命令。触摸屏作为显示无线智能传感器上传的数据以及人机交互界面供预警终端设置参数；无线智能传感器模块主要负责利用各类传感器采集大量诱发因子数据，并将标准化处理的样本通过无线通讯ZigBee模块传送给现场预警终端，以主要灾害诱发因子作为预报输入量。无线智能传感器各模块的主要功能：传感器采集模块主要负责采集监测区域环境的土壤含水率、降雨量、裂缝位移、土压力、孔隙水压力、滑体滑面倾角、次声频率等样本。将无线智能传感器采集到的大量灾害诱发因子，运用MIV算法筛选，筛选出主要灾害诱发因子，此方法有助于在灾害突发情况下，筛选出灾害发生主要诱发因子，提高预报实时性和精准性。本技术的一种灾害预报监测系统的工作过程，如图2所示：步骤1.通过监测预警系统，采集大量灾害诱发因子，运用MIV算法筛选，筛选出主要灾害诱发因子；步骤2.将筛选出的灾害诱发因子进行标准化过程，按特定比例分为测试样本、训练样本和调优样本；步骤3.构建基于深度信念网络的滑坡灾害预报模型，设置结构为两层RBM和三层BP网络组成；步骤4.采用CD算法对RBM预训练，更新网络参数；步骤5.采用遗传算法监督训练学习，使DBN网络整体最优；步骤6.重构已优化的滑坡灾害预报模型，对输出结果进行滑坡等级划分，预报出滑坡发生可能性。步骤1中MIV算法筛选灾害诱发因子的具体过程为：步骤1.1获取智能无线传感器模块采集到的初步完整数据，设样本矩阵为B，并使样本中的每个变量分别加、减10％，构成两个新的训练样本矩阵B1，B2：步骤1.2运用拉格朗日插值法将样本矩阵B1和B2进行运算得到结果L1和L2，并将L1和L2用MATLAB进行仿真得出MIV的值，根据滑坡重要影响因素进行排序，从而筛选出MIV主要灾害诱发因子；其中，L1，L2表示每个变量的差值，Xk表示均值，Xi表示变量；步本文档来自技高网...

【技术保护点】
1.一种灾害预报监测系统，其特征在于，包括现场预警终端和多个无线智能传感器模块，所述现场预警终端和多个所述无线智能传感器模块之间通过ZigBee模块进行通讯连接，所述现场预警终端通过GPRS模块与PC端控制中心通讯连接，所述现场预警终端用于接收并显示各传感器收集到的诱发因子数据，所述无线智能传感器模块用于采集诱发因子数据，并将标准化处理的样本通过ZigBee模块传送给所述现场预警终端。

【技术特征摘要】
1.一种灾害预报监测系统，其特征在于，包括现场预警终端和多个无线智能传感器模块，所述现场预警终端和多个所述无线智能传感器模块之间通过ZigBee模块进行通讯连接，所述现场预警终端通过GPRS模块与PC端控制中心通讯连接，所述现场预警终端用于接收并显示各传感器收集到的诱发因子数据，所述无线智能传感器模块用于采集诱发因子数据，并将标准化处理的样本通过ZigBee模块传送给所述现场预警终端。2.如权利要求1所述的一种灾害预报监测系统，其特征在于，所述现场预警终端包括中央处理器a，所述中央处理器a分别连接有存储模块、USB...

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