一种大区域滑坡危险性评价的并行DCNN分类方法技术

本发明专利技术提出了一种大区域滑坡危险性评价的并行DCNN分类方法，包括以下步骤：S1，对卷积层中的特征图进行分组合并，实现特征图压缩；解决了训练过程中冗余特征图过多的问题。S2，模型并行训练中，在给定的分类准确度损失范围内寻找最优的近似卷积核替代原卷积核，以此来降低卷积核中的无效参数，进而克服了卷积运算效率低下的问题。S3，对模型并行训练过程中产生的各种中间数据进行均匀分配，有效地解决了节点负载不均衡的问题。本发明专利技术能够显著提升DCNN模型在大数据环境下的训练效率，同时在大型数据集上表现出良好的可扩展性。型数据集上表现出良好的可扩展性。型数据集上表现出良好的可扩展性。

【技术实现步骤摘要】
一种大区域滑坡危险性评价的并行DCNN分类方法


[0001]本专利技术涉及大数据挖掘和GIS
，特别是涉及一种大区域滑坡危险性评价的并行DCNN分类方法。

技术介绍

[0002]滑坡的频发威胁生命、财产安全，破坏自然环境和资源，其发生是指岩土体受到外界因素(降雨、地震、人为活动等)影响，沿一定的软弱面(带)做整体运动的现象，尤其雨季来临，降雨和人类工程活动诱发滑坡在许多点上同时或相续发生，其危害足以严重影响当地社会与经济发展。而区域滑坡危险性评价能减缓滑坡灾害造成的损失，它是滑坡防治工作的核心。
[0003]随着人工智能和地理信息技术的发展，许多研究者采用这些技术开展了大区域滑坡预测研究。早期，Nadim等人、Hong等人和Cepeda等人以世界滑坡库中的滑坡为样本数据，分别采用加权线性组合的方法进行全球和印度尼西亚等地区的危险性评价；2013年，Liu等人输入坡度、坡向、曲率等9个滑坡影响因子到神经网络算法中，进行中国地区滑坡危险性评价；2014年，Gunther等人考虑坡度、地形、地质和土地覆盖为滑坡影响因子，采用层次分析法进行欧洲地区的危险性评价；Kirschbaum和Stanley等人分别于2016和2017年使用了不同的滑坡影响因子预测了中美洲和加勒比地区滑坡发生的可能性并描绘其危险性评价图。
[0004]综上所述，大区域滑坡危险性评价技术已经取得了许多成果，但这些方法仍存在一些问题：在ArcGis软件中，根据1000
×
1000分辨率大小来提取斜坡单元的地质、地貌等数据，这显然不符合斜坡单元的地质、地貌特征，因为在实际应用中25
×
25左右的分辨率能很好映射一个斜坡的地质、地貌特征，1000
×
1000超大的分辨率将导致滑坡危险性评价精确度不高的问题；如果采用25
×
25左右的分辨率提取数据会产生数千万甚至更多的栅格单元数据，而单处理器系统的计算性能无法满足需求的处理速度，因此如何设计既能提高大区域滑坡危险性评价的预测精度，同时其处理速度满足实际应用的方法具有重大意义。
[0005]深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)是深度学习算法中的一种重要分类算法，因其具有良好的平移不变性、泛化能力以及特征提取能力而被广泛用于滑坡小区域危险性评价、计算机视觉、图像分类、语音识别、语义分割、自然语言处理等领域。但是它的计算复杂度会随着数据量的增长呈指数级增加，且训练速度以及各种算法性能也会严重降低。因此，设计适用于处理大数据的DCNN方法才能适用于大区域滑坡危险性评价需求。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种大区域滑坡危险性评价的并行DCNN分类方法。
[0007]为了实现本专利技术的上述目的，本专利技术提供了一种大区域滑坡危险性评价的并行
DCNN分类方法，括以下步骤：
[0008]S0，获取待处理的滑坡数据；
[0009]S1，对卷积层中的特征图进行分组合并，实现特征图压缩；解决了训练过程中冗余特征图过多的问题；
[0010]S2，模型并行训练中，在给定的分类准确度损失范围内寻找最优的近似卷积核替代原卷积核，以此来降低卷积核中的无效参数，进而克服了卷积运算效率低下的问题；
[0011]S3，对模型并行训练过程中产生的各种中间数据进行均匀分配，有效地解决了节点负载不均衡的问题。
[0012]S4，根据步骤S1～S3的处理得到其滑坡结果。
[0013]进一步地，所述S1包括：
[0014]S1
‑
1，特征图重构：对输入特征图集合G进行重新排序，通过奇异值分解将特征图重构为含更多有效信息的两部分特征图集合；
[0015]S1
‑
2，冗余特征图过滤：根据JS散度过滤掉特征图中存在的冗余特征图；
[0016]S1
‑
3，特征图合并：对两部分特征图集合执行合并操作，从而消除了卷积层中冗余特征图过多的问题。
[0017]进一步地，所述S1
‑
1包括：
[0018]首先，采用基于奇异值分解的信息量权重WIQ来得到各个特征图之间的关联性，计算特征图集合G中各个特征图对应的WIQ数值，按照WIQ数值的大小对特征图集合G中的各个特征图降序排序；
[0019]其次，把排序后的集合Top作为特征图合并时的顶层特征图集合，Top作为包含主要特征的顶层特征图集合，Top复制后的集合Bottom作为特征图合并时的底层特征图集合；然后，令Top中的特征图X
i
＝WIQ
i
·
X
i
+WIQ
n
‑
i
‑1·
X
n
‑
i
‑1，Bottom中的特征图Y
i
＝Y
i
·
WIQ
n
‑
i+1
+Y
n
‑
i+1
·
WIQ
i
，得到重构后的两组特征图集合；
[0020]最后，分别将Top和Bottom中的加权特征图分为数量相等的上下两部分，将这两部分的特征图直接进行相加，最终得到的Top和Bottom的重构特征图，重构特征图中的有效特征含量大幅提升，并且参数数量减少为原来的一半。
[0021]进一步地，所述S1
‑
2包括：
[0022]首先，计算集合Top对应的均值特征图矩阵E；
[0023]然后，采用基于JS散度的特征相关系数FCC，根据集合Top中各特征图对应的FCC数值来评估当前特征图与其它特征图之间的相似程度；
[0024]最后，计算当前特征图与其它特征图之间的FCC差值，如果该值小于或等于阈值η则将当前特征图划入冗余特征图集合R中，否则保留在集合Top中。
[0025]进一步地，所述S1
‑
3包括：
[0026]首先，从底层特征图集合Bottom和冗余特征图集合R中各取一张特征图X和Y，分别求出它们对应特征矩阵的期望和方差；
[0027]接着，采用图像融合函数MF(X,Y)来对冗余特征图Y与底层特征图X进行加权融合；
[0028]最后，使用1
×
1卷积核将底层特征图集合Bottom中特征图数量压缩为原来的一半，并将压缩后的底层特征图集合Bottom与顶层特征图集合Top合并为一组来作为输出特征图O。
[0029]进一步地，所述S2包括：
[0030]S2
‑
1，参数初始化：对模型中的各项参数进行初始化，以便加快模型参数的收敛速度；
[0031]S2
‑
2，并行CP分解：对各并行节点中的卷积核执行CP分解，用分解后的小卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大区域滑坡危险性评价的并行DCNN分类方法，其特征在于，包括以下步骤：S1，对卷积层中的特征图进行分组合并，实现特征图压缩；S2，模型并行训练中，在给定的分类准确度损失范围内寻找最优的近似卷积核替代原卷积核；S3，对模型并行训练过程中产生的各种中间数据进行均匀分配。2.根据权利要求1所述的一种大区域滑坡危险性评价的并行DCNN分类方法，其特征在于，所述S1包括：S1
‑
1，特征图重构：对输入特征图集合G进行重新排序，通过奇异值分解将特征图重构为两部分特征图集合；S1
‑
2，冗余特征图过滤：根据JS散度过滤掉特征图中存在的冗余特征图；S1
‑
3，特征图合并：对两部分特征图集合执行合并操作。3.根据权利要求1所述的一种大区域滑坡危险性评价的并行DCNN分类方法，其特征在于，所述S1
‑
1包括：首先，采用基于奇异值分解的信息量权重WIQ来得到各个特征图之间的关联性，计算特征图集合G中各个特征图对应的WIQ数值，按照WIQ数值的大小对特征图集合G中的各个特征图降序排序；其次，把排序后的集合Top作为特征图合并时的顶层特征图集合，Top作为包含主要特征的顶层特征图集合，Top复制后的集合Bottom作为特征图合并时的底层特征图集合；然后，令Top中的特征图X
i
＝WIQ
i
·
X
i
+WIQ
n
‑
i
‑1·
X
n
‑
i
‑1，Bottom中的特征图Y
i
＝Y
i
·
WIQ
n
‑
i+1
+Y
n
‑
i+1
·
WIQ
i
，得到重构后的两组特征图集合；最后，分别将Top和Bottom中的加权特征图分为数量相等的上下两部分，将这两部分的特征图直接进行相加，最终得到的Top和Bottom的重构特征图。4.根据权利要求1所述的一种大区域滑坡危险性评价的并行DCNN分类方法，其特征在于，所述S1
‑
2包括：首先，计算集合Top对应的均值特征图矩阵E；然后，采用基于JS散度的特征相关系数FCC，根据集合Top中各特征图对应的FCC数值来评估当前特征图与其它特征图之间的相似程度；最后，计算当前特征图与其它特征图之间的FCC差值，如果该值小于或等于阈值η则将当前特征图划入冗余特征图集合R中，否则保留在集合Top中。5.根据权利要求1所述的一种大区域滑坡危险性评价的并行DCNN分类方法，其特征在于，所述S1
‑
3包括：首先，从底层特征图集合Bottom和冗余特征图集合R中各取一张特征图X和Y，分别求出它们对应特征矩阵的期望和方差；接着，采用图像融合函数MF(X,Y)来对冗余特征图Y与底层特征图X进行加权融合；最后，使用1
×
1卷积核将底层特征图集合Bottom中特征图数量压缩为原来的一半，并将压缩后的底层特征图集合Bottom与顶层特征图集合Top合并为一组来作为输出特征图O。6.根据权利要求1所述的一种大区域滑坡危险性评价的并行DCNN分类方法，其特征在于，所述S2包括：S2
‑
1，参数初始化：对模型中的各项参数进行初始化，以便加快模型参数的收敛速度；

【专利技术属性】
技术研发人员：毛伊敏，温占卿，
申请(专利权)人：江西理工大学，
类型：发明
国别省市：