申请/专利权人:辽宁工程技术大学
申请日:2021-06-09
公开(公告)日:2024-04-23
公开(公告)号:CN113379122B
主分类号:G06F18/2431
分类号:G06F18/2431;G06N3/047;G06N3/048;G06N3/09
优先权:
专利状态码:有效-授权
法律状态:2024.04.23#授权;2021.10.22#实质审查的生效;2021.09.10#公开
摘要:本发明涉及泥石流防治工程技术领域,提供一种基于概率神经网络模型的泥石流沟堵塞程度预测方法,首先搜集泥石流沟地质资料,依据实际的泥石流发育特征初选影响泥石流沟堵塞程度指标;然后对指标进行量化;利用极大不相关法进行指标筛选,计算指标间的复相关系数,确定出筛选后的指标体系;利用指标筛选后的样本提取训练集与测试集,进行概率神经网络训练,建立概率神经网络模型;最后利用测试集对概率神经网络模型进行仿真测试,选择合理的径向基函数扩展速度,确定出概率神经网络预测模型。本发明能够客观地考虑泥石流沟堵塞程度的影响因素,并利用极大不相关法剔除无效指标,以此建立概率神经网络预测模型,可有效提高预测的准确性。
主权项:1.一种基于概率神经网络模型的泥石流沟堵塞程度预测方法,其特征在于,包括下述步骤:步骤1:搜集泥石流沟地质资料,所述地质资料包括研究区泥石流调查报告、遥感影像和DEM数据;依据实际的泥石流发育特征初选影响泥石流沟堵塞程度的p项指标,所述p项指标包括泥石流形成的地形地貌条件、地质条件、水源条件和物源条件;步骤2:利用所述步骤1中的地质资料对p项指标进行量化,所述量化的方法包括遥感影像和DEM数据解译、研究区泥石流调查报告的分析和计算;步骤3:利用极大不相关法进行指标筛选,根据初选的p项指标,计算各项指标之间的复相关系数,确定出筛选后的指标体系,所述利用极大不相关法进行指标筛选的步骤为步骤3.1确定分析样本,p项指标的n组评价对象值构成的样本X为 步骤3.2求解样本X的协差阵及相关阵,分别记为Vx、Rx 其中:i、j=1、2、……、p,i=j时,σij表示xai的方差;i≠j时,σij为xai与xaj的协方差;步骤3.3计算每个指标和其他p-1个指标间的复相关系数,将矩阵R的第i行、第j列置换到矩阵的最后一行和最后一列,记为R’,将R’分块为 其中:R-i是R'的1到p-1行与1到p-1列间的元素组成的矩阵,ri是R'的p列与1到p-1行元素组成的矩阵,riT是R'的P行与1到P-1列元素组成的矩阵;步骤3.4指标xai与其他p-1个指标间的复相关系数公式为 其中:是R-i的逆矩阵;步骤3.5当指标xai的复相关系数大于临界值D时,该项指标予以剔除,保留未被剔除的指标,所述临界值D的确定公式为 其中:为所述步骤3.4中的复相关系数;步骤4:由步骤3中所述的进行指标筛选后的样本X提取训练集与测试集,利用训练集进行概率神经网络训练,建立概率神经网络模型,所述的利用训练集进行概率神经网络训练是以训练集样本做输入,以训练集样本对应的泥石流沟堵塞程度等级做输出进行的,所述的训练集要求各泥石流沟堵塞程度等级的样本数量相同,所述的泥石流沟堵塞程度等级,分为轻微、中等和严重三级;步骤5:利用步骤4中所述的测试集对概率神经网络模型进行仿真测试,选择合理的径向基函数扩展速度,确定出概率神经网络预测模型,所述选择合理的径向基函数扩展速度是指通过调整径向基扩展速度值,使预测结果的准确率最高。
全文数据:
权利要求:
百度查询: 辽宁工程技术大学 一种基于概率神经网络模型的泥石流沟堵塞程度预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。