【技术实现步骤摘要】
一种滑坡地表变形空间区域权重的计算方法
[0001]本专利技术属于工程地质研究领域，具体涉及一种滑坡地表变形空间区域权重的计算方法。
技术介绍
[0002]滑坡是最常见的自然地貌过程之一，每年可在世界各地造成巨大的人员伤亡和财产损失。我国滑坡灾害防治仍然面临巨大的挑战。
[0003]在过去的几十年里，随着各种用于滑坡监测的传感器的开发和引入，世界范围内建立了大量的滑坡监测系统。这些具有高精度和环境适应性的监测设备为分析滑坡变形特征和机理提供了必要的基础。目前大多数滑坡变形的研究方法仅仅实现了单点建模，对滑坡的早期预警造成了一定的不确定性。例如，人工神经网络(ANN)、支持向量机(SVM)、极限学习机(ELM)、速度倒数法。上述方法通常具有较好的研究效果，然而，滑坡的变形具有空间意义，特别是大型滑坡，即监测点的变形特征随空间位置的不同而不同。因此，依靠单点建模对滑坡进行位移预测的结果不能揭示大规模滑坡变形的真实情况。现如今仅有有限的研究考虑了边坡中不同点之间的空间相关性，例如，似乎不相关模型(SUR),但该模型仅仅考虑...
【技术保护点】
【技术特征摘要】
1.一种滑坡地表变形空间区域权重的计算方法，其特征在于，包括以下步骤：S1、从滑坡监测系统中获取各个监测点的监测数据，根据监测数据获得滑坡变形特征相关的多种变形数据；S2、将监测点的多种变形数据按照监测点的空间分布处理为不同通道的时间序列数据输入到卷积神经网络(CNN)模型中进行处理，每个通道对应一种变形数据；S3、将步骤S2中经过卷积神经网络(CNN)模型处理后的数据作为输入数据，输入到改进的卷积注意模块ICBAM中进行筛选，其中ICBAM包含通道注意力模块、空间注意力模块和残差块；ICBAM的输入通过通道注意力模块用于确定不同变形特征的重要性，通道注意力模块的输出作为空间注意力模块的输入用于确定不同监测点空间位置的变形数据对于最终滑坡预测结果的重要性，残差块链接ICBAM的输入和空间注意力模块的输出；S4、最后经一个全连接层输出滑坡各个监测点的变形数据的空间相关性，同时输出各个监测点所在区域在滑坡地表变形中所占的空间注意力权重。2.根据权利要求1所述的一种滑坡地表变形空间区域权重的计算方法，其特征在于，在所述步骤S2中，将监测点的多种变形数据按照监测点的空间分布处理为不同通道的时间序列数据输入到卷积神经网络(CNN)模型中进行处理包括以下步骤：S21、输入数据将监测点的变形数据按照监测点的空间分布处理成多通道图像，不同类型的变形数据对应不同的通道，输入到卷积神经网络(CNN)模型中；S22、数学操作卷积神经网络(CNN)模型包含卷积和池化操作，通过合并不同监测点的变形信息提取空间特征图，一个卷积神经网络(CNN)模型包括卷积层、池化层和全连接层，在卷积层上，输出特征矩阵M是通过在输入特征F上移动滤波器k产生的，池化操作通常在卷积层之后进行，M的相邻元素由最大池化、平均池化或其他池化操作整合，卷积方程如下:其中，m为矩阵M中的一个元素，∑表示矩阵元素的总和,c是输入特征F的通道数，f
i,j
为F的子矩阵，大小与k相同，i,j分别为滤波器k的行、列移动步长；当子矩阵f
i,j
在输入特征图上移动时，重复应用滤波器k。3.根据权利要求1所述的一种滑坡地表变形空间区域权重的计算方法，其特征在于，所述步骤S3中改进的卷积注意模块ICBAM的输入为卷积神经网络(CNN)模型输出的空间特征图X,X∈R
C
×
H
×
W
,其中C，H，W分别对应ICBAM输入数据在三个不同维度上的尺寸，ICBAM依次按照公式(2)
‑
(4)推断出通道特征图X
C
∈R
C
×
H
×
W
,空间特征图X
S
∈R
C
×
H
×
W
和引入残差块之后的最终的细化特征图X
’
∈R
C
×
H
×
W，
在注意力处理的过程中，原始特征的大小没有变化：S31、通道注意力模块所述步骤S3中通道注意力模块，包含一个全连接层、一个sigmoid激活函数和四种不同的池化操作分别为：最大池化、均值池化、中值池化和组合池化；步骤S2的输出作为通道注意力模块的输入X∈R
C
×
H
×
W
,输入X同时执行四种池化操作分别得到数据A、M、D和C，之后这4组数据经过共享权值的全连接层和激活函数处理得到通道注意力权重A
c
；通道注意力模块的输入与A
c
相乘得到通道注意力模块的输出X
c
；
S32、空...
【专利技术属性】
技术研发人员：黄达，何俊，郭子正，彭建兵，杨玉飞，
申请(专利权)人：长安大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。