【技术实现步骤摘要】
本专利技术涉及人工智能测试领域，特别涉及基于深度神经网络的泥石流灾害易发性预测方法。
技术介绍
1、泥石流灾害严重威胁到国民经济和社会的可持续发展，因此泥石流灾害预测在泥石流防灾减灾实践中具有重要的意义，可直接服务于国民经济建设，但是其影响因素众多且关系复杂，随着经济的发展，泥石流所造成的经济损失随势而增。
2、传统的泥石流灾害易发性预测方法存在变量多难以准确统计数据，从而导致预测不准确的问题，且现有的通过位移-时间序列建模进行泥石流易发性预测具有随机性，需要人为地确定各分量的含义进行拆分预测，加大了工作量。
技术实现思路
1、为克服上述现有技术的不足，本专利技术提供基于深度神经网络的泥石流灾害易发性预测方法，包括：
2、获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集；
3、基于所述训练集，通过stacking 集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型；
4、将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果。
5、优选的，所述获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集，包括：
6、获取预设地区的泥石流编录数据，根据所述泥石流编录数据，通过共线性筛选确定泥石流评价因子；
7、将所述泥石流评价因子图层重采样至相同空间分辨率，生成同频图层；
8、按照泥石流历史经验值对所
9、对所述图层子类别进行赋值，确定泥石流评价因子比重；
10、根据所述泥石流评价因子比重、泥石流评价因子和泥石流编录数据构建泥石流易发性数据库；
11、基于所述泥石流易发性数据库，获取泥石流和非泥石流的样本数据，并对所述样本数据进行划分，获取训练集和测试集。
12、优选的，所述基于所述训练集，通过stacking 集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型，包括：
13、基于所述训练集，通过基分类器将所述训练集划分为预设数目大小相同的集合；
14、其中，所述集合包括：第一初始测试集、第二初始训练集、…和第n初始训练集；
15、将所述集合分别输入预先构建的卷积神经网络和循环神经网络中，以所述第二初始训练集、…和所述第n初始训练集进行初级分类器训练；
16、并通过所述初级分类器对所述第一初始测试集进行测试，获取卷积神经网络中的卷积第一测试结果和循环神经网络中的循环第一测试结果；
17、在所述卷积神经网络中将所述卷积第一测试结果设置为元学习器的训练集中的第一子集，并分别以所述第二初始训练集、…和所述第n初始训练集为初始测试集，以当前初始测试集外的所有集合进行n-1次初级分类器训练，获取卷积第二测试结果、…和卷积第n测试结果；
18、将所述卷积第二测试结果、…和卷积第n测试结果设置为元学习器的训练集中的第二子集、…和第n子集；
19、根据所述第一子集、第二子集、…和第n子集，确定第一目标训练集，根据所述第一目标训练集选取第一预测特征数据；
20、在所述循环神经网络中将所述循环第一测试结果设置为元学习器的训练集中的第一子集，并分别以所述第二初始训练集、…和所述第n初始训练集为初始测试集，以当前初始测试集外的所有集合进行n-1次初级分类器训练，获取循环第二测试结果、…和循环第n测试结果；
21、将所述循环第二测试结果、…和循环第n测试结果设置为元学习器的训练集中的第二子集、…和第n子集；
22、根据所述第一子集、第二子集、…和第n子集，确定第二目标训练集，根据所述第二目标训练集选取第二预测特征数据；
23、通过stacking集成方法对所述第一预测特征数据和第二预测特征数据进行集成，得到泥石流预测数据；
24、根据所述泥石流预测数据构建深度神经网络预测模型。
25、优选的，预先构建的卷积神经网络的训练步骤如下：
26、s1：将预先获取的泥石流训练样本数据输入卷积神经网络的输入层，并通过所述输入层对所述泥石流训练样本数据进行多维排列，得到预设维度数组；
27、s2：将所述预设维度数组通过卷积窗口输入卷积层的卷积核中按照从左往右且从上往下的顺序进行内积运算，获取卷积特征图；
28、s3：通过池化层对所述卷积特征图进行池化操作，得到池化数据；
29、s4：根据所述池化数据，通过全连接层进行特征提取，获取高维特征，并将所述高维特征映射至低维特征空间，获取预设维度特征数据；
30、s5：当所述卷积神经网络中损失函数小于或等于预设收敛值时，将所述预设维度特征数据通过输出层进行输出，得到泥石流输出数据，否则返回步骤s2继续进行训练。
31、优选的，所述内积运算计算式如下：
32、，
33、式中，表示第j个卷积核的输出值；表示非线性激活函数；表示泥石流训练样本数据权重；表示卷积窗口对应的输入数据；表示第j个卷积核对应的池化数据的偏置；表示总维度；表示维度个数；表示卷积核个数；表示卷积核总数。
34、优选的，预先构建的循环神经网络的训练步骤如下：
35、r1：对预先获取的泥石流训练样本数据按照时间顺序进行序列排序，获取样本序列数据；
36、r2：通过因子选择方法对所述样本序列数据中的泥石流评价因子进行重要性赋值，获取输入序列数据；
37、r3：将所述输入序列数据输入循环神经网络中，并通过所述循环神经网络的循环层对所述输入序列数据进行激活处理，获取输出数据；
38、r4：当所述循环神经网络中损失函数小于或等于预设收敛值时，将所述输出数据通过输出层进行输出，否则返回步骤r2继续进行训练。
39、优选的，所述循环神经网络计算模型如下：
40、；
41、其中，；
42、式中，时间步长所对应的输出数据；表示激活函数；表示输入序列数据的第二权重矩阵；表示输入序列数据；表示输入序列数据的偏置；表示输入序列数据的第一权重矩阵；表示时间步长所对应的输入序列数据；表示泥石流评价因子；表示重要性参数；表示样本序列数据偏重向量；表示时间步长。
43、优选的，所述将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果，包括：
44、将所述测试集和所述深度神经网络预测模型的状态参数发至记忆模块进行计算，得到一维列向量的计算结果；
45、基于所述一维列向量的计算结果，保留所述测试集中需保留的输出信息，并输出当前时刻记忆模块的状态参数、当前时刻所述深度神经网络预测模型中隐含层的状态参数；
46、通过线性函数的激活公式对所述一维列向量的计算结果进行计算，得到本文档来自技高网...
【技术保护点】
1.基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集，包括：
3.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述基于所述训练集，通过Stacking集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型，包括：
4.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，预先构建的卷积神经网络的训练步骤如下：
5.如权利要求4所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述内积运算计算式如下：
6.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，预先构建的循环神经网络的训练步骤如下：
7.如权利要求6所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述循环神经网络计算模型如下：
8.如权利要求1所述
9.如权利要求8所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述线性函数的激活公式如下：
10.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，在将所述测试集输入所述深度神经网络预测模型，获取预设地区泥石流灾害易发性预测结果之后，还包括：
...【技术特征摘要】
1.基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，包括：
2.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述获取预设地区的泥石流编录数据，根据所述泥石流编录数据，获取训练集和测试集，包括：
3.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述基于所述训练集，通过stacking集成方法对预先构建的卷积神经网络和循环神经网络进行集成，构建深度神经网络预测模型，包括：
4.如权利要求1所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，预先构建的卷积神经网络的训练步骤如下：
5.如权利要求4所述的基于深度神经网络的泥石流灾害易发性预测方法，其特征在于，所述内积运算计算式如下：
6....
【专利技术属性】
技术研发人员：赵建壮，杨磊，赵超，
申请(专利权)人：四川省能源地质调查研究所，
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。