【技术实现步骤摘要】
本专利技术涉及自然灾害预警，具体涉及一种基于云计算的信息融合的预警方法和系统。
技术介绍
1、伴随着基础建设与经济的突飞猛进，近年来多地区人类活动频繁加上全球气候变迁和极端灾害频发的影响，山体滑坡已成为目前影响危害我国民众最为严重的自然灾害之一。
2、目前山体滑坡灾害预警研究，常规手段包括地形测量与观测、岩土工程勘察、位移监测、地下水位监测、地震活动监测以及人工巡查方式，但这些方法工作量大、效率低下且准确率较低，因此，如何实现准确高效地对山体滑坡自然灾害的自动实时预警，是一项亟需解决的问题。
技术实现思路
1、针对现有方法的不足以及实际应用的需求，为了提高山体滑坡预警准确率，解决准确高效地实现对山体滑坡自然灾害的自动实时预警问题。一方面，本专利技术提供一种基于云计算的信息融合的预警方法，所述基于云计算的信息融合的预警方法，包括以下步骤：获取山体监测数据，所述山体监测数据包括多个监测点的物理信息；根据所述物理信息的属性分类，利用属性融合方法和所述山体监测数据，获得每一监测点每一属性类别的融合数据；构建属性特征融合模型，利用所述属性特征融合模型，融合所有监测点所有属性类别的融合数据，获得山体监测融合数据；构建滑坡预警模型，基于云计算通过所述滑坡预警模型和所述山体监测融合数据，完成山体滑坡预警监测。本专利技术基于云计算通过融合对山体滑坡产生有影响的多源信息，以及构造属性特征融合模型实现多维度信息融合，利用融合的信息数据完成山体滑坡预警监测，通过滑坡预警模型建立多源信息与滑坡预
2、可选地，所述的一种基于云计算的信息融合的预警方法，还包括对所述山体监测数据进行预处理，所述预处理包括以下步骤：填补所述山体监测数据中的缺失数据，获得完整监测数据；清洗所述完整监测数据中的异常值，获得修正监测数据；对所述修正监测数据进行降噪处理，获得去噪监测数据。本专利技术通过填补山体监测数据缺失数据，并清洗其中的异常值，最后对数据进行降噪处理，保证了监测数据的完整性和可靠性，进一步提高了本专利技术的准确度。
3、可选地，所述属性融合方法，包括以下步骤：对每一监测点每一属性类别监测数据进行归一化处理，获得归一化结果；通过所述归一化结果，获得每一监测点的属性类别熵冗余度；利用所述山体监测数据和所述属性类别熵冗余度，获得每一监测点每一属性类别的融合数据。本专利技术通过初步融合山体监测数据，获得每一监测点每一属性类别的融合数据，消除了干扰对量测数据的影响，进一步保证了后续数据特征提取的准确性。
4、可选地，所述通过所述归一化结果，获得每一监测点的属性类别熵冗余度，满足以下公式：，所述利用所述监测数据和所述属性类别熵冗余度，获得每一属性类别的融合数据，满足以下公式：，其中，表示第监测点的第属性类别熵冗余度，表示第监测点山体监测数据第属性类别第监测数据归一化结果，表示当前属性类别的监测数据数量，表示当前属性类别的监测数据数量序号，表示监测点序号，表示属性类别序号，表示第属性类别的融合数据，表示监测点的数量。本专利技术通过对每一监测点每一属性类别的融合数据，较大程度地保留了数据特征，有利于处理非线性复杂数据问题，进一步提升预测精度及性能。
5、可选地，所述构建属性特征融合模型，包括以下步骤：基于卷积神经网络，搭建属性特征融合模型；以所述属性特征融合模型的网络参数为个体，组成初始化群体；评价所述个体，获得所述个体的适应度；根据所述适应度，对所述个体执行第一调整和第二调整，获得新群体；评价所述新群体的个体，直至满足迭代停止条件，获得所述属性特征融合模型的最优初始网络参数。本专利技术通过多次迭代获得属性特征融合模型的模型参数，避免了属性特征融合模型因局部优化导致预测精度不准的问题，同时也有利于提高本专利技术最终预测速度。
6、可选地，对所述个体执行第一调整，满足以下公式：，其中，表示个体在次迭代时执行第一调整后的位置，表示随机个体在次迭代时的位置，且，表示个体在次迭代时的位置，表示最大迭代次数，表示之间的随机数，表示之间的随机数，表示迭代过程历史中的最优个体位置。本专利技术通过第一调整获得的新个体，有利于扩大属性特征融合模型的网络参数的选择性，有利于获得属性特征融合模型的最优网络参数。
7、可选地，对所述个体执行第二调整，，其中，表示个体在次迭代时执行第二调整后的位置，表示个体在次迭代时的位置，表示最大迭代次数，表示步长控制因子，表示莱维飞行步长，表示之间的随机数，表示个体在迭代过程历史中的最优历史位置，e表示自然对数的底。本专利技术通过第二调整获得的新个体，进一步扩大了属性特征融合模型的网络参数的选择性，有利于获得属性特征融合模型的最优网络参数。
8、可选地，所述利用所述属性特征融合模型，融合所有属性类别的融合数据，获得山体监测融合数据，包括以下步骤：根据属性类别的融合数据，构建时间序列数据集合；通过数据矩阵动态切片方法，重构所述时间序列数据集合，获得重构时间序列数据集合；利用所述属性特征融合模型，提取所述重构时间序列数据集合的数据特征，以及融合所述数据特征，获得所述山体监测融合数据。本专利技术考虑了当前时刻数据是相近尺度内的历史数据不断累加变化结果的因素，保证了属性特征融合模型在融合所有属性类别的融合数据时，能够融合更多属性的数据历史特征，进一步提高了本专利技术的准确度。
9、可选地，所述构建滑坡预警模型，基于云计算通过所述滑坡预警模型和所述山体监测融合数据，完成山体滑坡预警监测，包括以下步骤：基于门限循环单元神经网络，构建滑坡预警模型；基于云计算利用所述山体监测融合数据，训练并验证所述滑坡预警模型；通过训练好的滑坡预警模型，完成山体滑坡预警监测工作。本专利技术采用门限循环单元神经网络构建滑坡预警模型，简化了结构并提高了训练效率，进一步提高了本专利技术的使用效率。
10、第二方面，为能够高效地执行本专利技术所提供的一种基于云计算的信息融合的预警方法，本专利技术还提供了一种基于云计算的信息融合的预警系统，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包含程序指令，所述处理器被配置用于调用所述程序指令，执行如本专利技术第一方面所述的一种基于云计算的信息融合的预警方法。本专利技术的一种基于云计算的信息融合的预警系统，结构紧凑、性能稳定，能够稳定地执行本专利技术提供的一种基于云计算的信息融合的预警方法，进一步提升本专利技术整体适用性和实际应用能力。
本文档来自技高网...【技术保护点】
1.一种基于云计算的信息融合的预警方法，其特征在于，所述的一种基于云计算的信息融合的预警方法，包括以下步骤：
2.根据权利要求1所述的一种基于云计算的信息融合的预警方法，其特征在于，所述的一种基于云计算的信息融合的预警方法，还包括对所述山体监测数据进行预处理，所述预处理包括以下步骤：
3.根据权利要求1所述的一种基于云计算的信息融合的预警方法，其特征在于，所述属性融合方法，包括以下步骤：
4.根据权利要求3所述的一种基于云计算的信息融合的预警方法，其特征在于，所述通过所述归一化结果，获得每一监测点的属性类别熵冗余度，满足以下公式：
5.根据权利要求1所述的一种基于云计算的信息融合的预警方法，其特征在于，所述构建属性特征融合模型，包括以下步骤：
6.根据权利要求5所述的一种基于云计算的信息融合的预警方法，其特征在于，对所述个体执行第一调整，满足以下公式：
7.根据权利要求5所述的一种基于云计算的信息融合的预警方法，其特征在于，对所述个体执行第二调整，
8.根据权利要求1所述的一种基于云计算的信息融合
9.根据权利要求1所述的一种基于云计算的信息融合的预警方法，其特征在于，所述构建滑坡预警模型，基于云计算通过所述滑坡预警模型和所述山体监测融合数据，完成山体滑坡预警监测，包括以下步骤：
10.一种基于云计算的信息融合的预警系统，其特征在于，所述基于云计算的信息融合的预警系统，包括：输入设备、输出设备、处理器、存储器，所述输入设备、输出设备、处理器、存储器相互连接，所述存储器包括程序指令，所述程序指令用于执行权利要求1-9任一项所述基于云计算的信息融合的预警方法的步骤。
...【技术特征摘要】
1.一种基于云计算的信息融合的预警方法，其特征在于，所述的一种基于云计算的信息融合的预警方法，包括以下步骤：
2.根据权利要求1所述的一种基于云计算的信息融合的预警方法，其特征在于，所述的一种基于云计算的信息融合的预警方法，还包括对所述山体监测数据进行预处理，所述预处理包括以下步骤：
3.根据权利要求1所述的一种基于云计算的信息融合的预警方法，其特征在于，所述属性融合方法，包括以下步骤：
4.根据权利要求3所述的一种基于云计算的信息融合的预警方法，其特征在于，所述通过所述归一化结果，获得每一监测点的属性类别熵冗余度，满足以下公式：
5.根据权利要求1所述的一种基于云计算的信息融合的预警方法，其特征在于，所述构建属性特征融合模型，包括以下步骤：
6.根据权利要求5所述的一种基于云计算的信息融合的预警方法，其特征在于，对所述个体执行第一调整...
【专利技术属性】
技术研发人员：杨邦会，刘健，胡乔利，刘利，
申请(专利权)人：中国科学院空天信息创新研究院，
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。