基于熵权与BP神经网络技术的洪涝灾害损失评估方法技术

本发明专利技术涉及基于熵权与BP神经网络技术的洪涝灾害损失评估方法，与现有技术相比解决了尚无基于机器学习对洪涝灾害损失进行大数据分析的缺陷。本发明专利技术包括以下步骤：基础数据的获取和预处理；基础层初始指数数据的计算；基础层BP神经网络的设置与训练；综合层数据的获取；综合层初始指数数据的计算；综合层BP神经网络的设置与训练；待分析洪涝灾害损失评估结果的获得。本发明专利技术通过熵权法和BP神经网络对洪涝灾情进行分析处理，利用大数据分析结合人工智能技术归纳分析洪涝灾情的数据。

【技术实现步骤摘要】
基于熵权与BP神经网络技术的洪涝灾害损失评估方法
本专利技术涉及人工智能数据处理
，具体来说是基于熵权与BP神经网络技术的洪涝灾害损失评估方法。
技术介绍
洪涝灾害经常带来巨大的损失，根据有关单位的统计，各种自然灾害损失中有60％是洪灾的直接经济损失。每年受洪灾影响的人口平均为1.5亿至2亿，受灾农作物的受灾面积约为2亿亩，受灾面积为1-1.5亿亩，直接经济损失约为1000亿。为了提出有效的应急管理对策，应快速评估洪涝灾害所造成的综合损失。目前，现有技术中缺少对洪涝灾害综合损失的评估方法，以及缺少与方法相对应的评估系统，严重限制了防灾和风险管理的工作。同时，洪涝灾害所涉及的数据量、数据面较为庞大，难以形成系统性分析。因此，如何利用大数据分析技术，对洪涝灾害损失的客观评估已经成为急需解决的技术问题。
技术实现思路
本专利技术的目的是为了解决现有技术中尚无基于机器学习对洪涝灾害损失进行大数据分析的缺陷，提供一种基于熵权与BP神经网络技术的洪涝灾害损失评估方法来解决上述问题。为了实现上述目的，本专利技术的技术本文档来自技高网...

【技术保护点】
1.一种基于熵权与BP神经网络技术的洪涝灾害损失评估方法，其特征在于，包括以下步骤：/n11)基础数据的获取和预处理：获取洪涝灾害基础层数据并进行归一化预处理，洪涝灾害基础层数据包括绝对灾情指标数据和相对灾情指标数据；/n12)基础层初始指数数据的计算：对归一化后基础层的绝对灾情指标数据和相对灾情指标数据进行熵权计算，获得基础层指标数据初始权重，其包括绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重，并得到基础层的初始指数数据，其包括绝对初始指数数据和相对初始指数数据；/n13)基础层BP神经网络的设置与训练：利用归一化处理后洪涝灾害基础层的绝对灾情指标数据、相对灾情指标数据、绝对初始指...

【技术特征摘要】
1.一种基于熵权与BP神经网络技术的洪涝灾害损失评估方法，其特征在于，包括以下步骤：
11)基础数据的获取和预处理：获取洪涝灾害基础层数据并进行归一化预处理，洪涝灾害基础层数据包括绝对灾情指标数据和相对灾情指标数据；
12)基础层初始指数数据的计算：对归一化后基础层的绝对灾情指标数据和相对灾情指标数据进行熵权计算，获得基础层指标数据初始权重，其包括绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重，并得到基础层的初始指数数据，其包括绝对初始指数数据和相对初始指数数据；
13)基础层BP神经网络的设置与训练：利用归一化处理后洪涝灾害基础层的绝对灾情指标数据、相对灾情指标数据、绝对初始指数数据、相对初始指数数据作为训练样本来训练BP神经网络，得到训练后的基础层BP神经网络，并输出基础层的最终指数数据，其包括绝对最终指数数据和相对最终指数数据；
14)综合层数据的获取：获取综合层的绝对灾情指标数据和相对灾情指标数据，综合层的绝对灾情指标数为基础层的绝对最终指数数据，综合层的相对灾情指标数据为基础层的相对最终指数数据；
15)综合层初始指数数据的计算：对综合层的绝对灾情指标数据、相对灾情指标数据进行熵权计算，获得综合层指标数据初始权重，其包括绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重，并得到综合层的初始指数数据，其包括绝对初始指数数据和相对初始指数数据；
16)综合层BP神经网络的设置与训练：利用综合层指标数据初始权重和综合层的初始指数数据作为训练样本来训练综合层BP神经网络，得到训练后的综合层BP神经网络；并输出综合层的最终指数数据，其包括绝对最终指数数据和相对最终指数数据；
17)待分析洪涝灾害损失评估结果的获得：
171)基础层洪涝灾害损失评估结果的获得：将目标城市基础层待分析数据进行归一化处理，并输入所述训练后的基础层BP神经网络；
172)将目标城市基础层BP神经网络的输出送入训练后的综合层BP神经网络，得到目标城市洪涝灾害损失结果。


2.根据权利要求1所述的基于熵权与BP神经网络技术的洪涝灾害损失评估方法，其特征在于，所述基础层的绝对灾情指标数据的初始权重的计算包括以下步骤：
21)构建洪涝灾害基础层的绝对灾情判断矩阵，其表达式如下：
X＝(xij)n×m，
其中，m为洪涝灾害基础层的绝对灾情指标数据，n为受灾城市样本数目，xij为第i个受灾城市样本的第j个洪涝灾害基础层的绝对灾情指标数据的数值，0＜i≤n，0＜j≤m；
22)根据绝对灾情判断矩阵，计算洪涝灾害基础层的绝对灾情信息熵Dj，其计算公式如下：









其中，fij为第j项洪涝灾害基础层的绝对灾情指标数据下第i个受灾城市样本的比重；k为待定常数，Dj为第j项洪涝灾害基础层的绝对灾情信息熵IE；
23)根据信息熵Dj，确定第j项洪涝灾害基础层的绝对灾情指标数据的初始权重wj，其表达式如下：



24)进行洪涝灾害基础层的初始指数数据的计算。


3.根据权利要求1所述的基于熵权与BP神经网络技术的洪涝灾害损失评估方法，其特征在于，所述基础层BP神经网络的设置与训练包括以下步骤：
31)创建初始信息矩阵，其表达式如下：
X＝(xij)n×m，
其中，n为受灾城市样本数目，m为洪涝灾害基础层的绝对灾情指标数据，xij为第i个受灾城市样本的第j个洪涝灾害基础层的绝对灾情指标数据的数值，0＜i≤n，0＜j≤m；
32)根据初始信息矩阵，配置BP神经网络：选用三层BP神经网络结构，其中，首尾两部分分别称为输入层和输出层，中间的部分称为隐含层；
BP神经网络的输入层包含m个节点，对应训练样本的m个洪涝灾害基础层的绝对灾情指标，
BP神经网络的输入层的输入向量为X＝(x1，x2，...，xj，...，xm)T，0＜j≤m；
隐含层包括k个节点，BP神经网络的输入层的输出向量为Y＝(y1，y2，...，yp，...，yk)T，0＜p≤k，k为隐含层节点数；
输入层到隐含层之间的连接权重用矩阵V表示，用以表示各节点联系的紧密程度，V＝(vjp)m×k，其中，vjp表示输入层第j个节点与隐含层第p个节点之间的连接权重；
BP神经网络的输入层的输出
BP神经网络的输出层包括一个节点，对应的输出向量为O＝(O1，O2，...，Oi，...，On)T，0＜i≤n；
隐含层到输出层之间的连接权重向量Z＝(z1，z2，...，zp，...，zk)，其中，zp表示输出层与隐含层第p个节点之间的连接权重，则BP神经网络的输出层的输出
洪涝灾害基础层的绝对初始指数数据D＝(d1，d2，...，di，...，dn)T作为n个受灾城市样本的输出层期望输出，其中，激活函数f(x)选择单极性Sigmoid函数，即
33)根据所述BP神经网络的参数，训练所述BP神经网络：对BP神经网络的连接权重矩阵V、Z中各元素随机赋予初始数值，将受灾城市样本的各指标数据作为输入层各节点的数据，输出基础层的绝对最终指数数据；其具体步骤如下：
331)计算BP神经网络的误差，训练受灾城市样本时产生的均方误差其中，di为第i个受灾城市样本的输出层的期望输出，oi为第i个受灾城市样本的输出层的输出；
332)比较输出层的期望输出di与实际输出oi，以得到的误差信号对隐含层与输出层之间的连接权重进行调整；误差信号反向传至隐含层，以得到隐含层的误差信号以对输入层与隐含层之间的连接权重进行调整，调整公式具体如下：












ρ为学习率，设定ρ＝0.01；σ∈(0，1)为动量项；
333)输入下一个样本，返回步骤331)进行训练；
334)所有样本训练完毕，判断均方误差E是否小于网络训练精度e＝10-5，若是，则结束样本训练，输出基础层的绝对最终指数数据；若否，则将均方误差E置为零，并返回执行...

【专利技术属性】
技术研发人员：李文波，赵启帆，桂元苗，杨双四，王矿，邱骐，王韬，聂霖，薛睿，李传芳，
申请(专利权)人：合肥中科加点智能科技有限公司，安徽恒科信息技术有限公司，
类型：发明
国别省市：安徽;34