一种用于判定地震发生时边坡崩塌落石距离的人工智能方法技术

本公开涉及用于判定地震发生时边坡崩塌落石距离的人工智能方法和装置。在根据本公开的方法中，首先采集样本数据，然后利用DWKNN算法通过采集的样本数据对落石距离进行预测，其中，所述DWKNN算法中的权重为指数形式。根据本公开的方案，能够对边坡崩塌落石距离提供鲁棒性较好的，适用于小样本的预测。而且，根据本公开的实施例，将KNN算法步骤中的权重计算方法改进为指数形式，可以很大程度提高其预测结果的准确性。

【技术实现步骤摘要】
一种用于判定地震发生时边坡崩塌落石距离的人工智能方法
本公开涉及地震评估领域，尤其涉及用于判定地震发生时边坡崩塌落石距离的人工智能方法。
技术介绍
落石水平运动距离是落石沿坡面下落后纵向所达范围，是构成落石灾害威胁区域的一部分。它反映了落石纵向水平威胁范围大小，常被用来判断落石防治与否的依据之一，也代表着落石运动动能，威胁能力大小，同时是落石防治工程设计中需要明确的一个主要参数。对于边坡的崩塌破坏形式，主要表现在边坡顶部的岩土体在长时间的风化作用下，失去了与边坡整体的粘结能力，被分割成不同大小、不同形状的块体，在地震作用下极易发生整体抛出现象，导致落石的发生，严重威胁着边坡底部的交通线路以及人民的生命财产安全。图1解释了落石对坡角位置的构(建)筑物的影响范围。传统上，存在用于判定地震发生时边坡崩塌落石距离的两种方法，支持向量机(SVM)算法可以用于预测崩塌落石距离，但是多于多标签预测问题，性能不佳。KNN算法则不需要估计参数和训练训练集，适用于大样本量的预测。然而，对于KNN算法来说，需要计算每个样本与训练集中所有样本的相似度。本文档来自技高网...

【技术保护点】
1.一种用于判定地震发生时边坡崩塌落石距离的人工智能方法，其特征在于，包括以下步骤：/n采集样本数据；以及/n利用DWKNN算法通过采集的样本数据对落石距离进行预测，其中，/n所述DWKNN算法中的权重为/n

【技术特征摘要】
1.一种用于判定地震发生时边坡崩塌落石距离的人工智能方法，其特征在于，包括以下步骤：
采集样本数据；以及
利用DWKNN算法通过采集的样本数据对落石距离进行预测，其中，
所述DWKNN算法中的权重为



其中，并且k≥i。


2.根据权利要求1所述的方法，其特征在于，采集样本的步骤包括：设定边坡的高度为H，以0.1H长度区间作为一个基本数值，分别从坡脚开始计算，间隔0.1H划分为一个区间，进行采样。


3.根据权利要求1所述的方法，其特征在于，训练样本集合中的类分布是平衡的。


4.根据权利要求1所述的方法，其特征在于，在样本数据集(xi,ci)上寻找关于待预测样本的k近邻子集待预测样本被分类为k近邻子集T中出现最多的那个类别，其中ci是样本xi的所属类别，由以下公式表示：
若






则x∈ct。


5.根据权利要求1所述的方法，...

【专利技术属性】
技术研发人员：黄帅，齐庆杰，刘英杰，黄明明，刘文岗，
申请(专利权)人：煤炭科学研究总院，北京市气象信息中心，
类型：发明
国别省市：北京;11