滑坡预测预报方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115907094A(43)申请公布日2023.04.04(21)申请号202211331057.0G06Q50/26(2012.01)(22)申请日2022.10.28(71)申请人鞍钢集团矿业有限公司地址114001辽宁省鞍山市铁东区二一九路39号(72)发明人亢建民钟小宇衣瑛范喜杰吴春阳崔志平刘震宇刘福强(74)专利代理机构鞍山贝尔专利代理有限公司21223专利代理师林治锦(51)Int.Cl.G06Q10/04(2023.01)G06N3/084(2023.01)G06F18/15(2023.01)G06F17/18(2006.01)权利要求书2页说明书7页附图3页(54)发明名称滑坡预测预报方法及系统(57)摘要本发明提供一种滑坡预测预报方法及系统，属于滑坡预测预报技术领域，该方滑坡预测预报方法包括如下步骤；S1:预先获取的变形数据进行分析处理，得到重构后的变形数据；S2:对重构后的变形数据拟合建立预测模型，并对模型参数进行迭代求解，得到未来的变形数据；S3:对未来变形数据分析，结合预报判据对滑坡时间进行预报。本发明结合多元分析原理对滑坡变形量进行预测预报，是一种新的滑坡预测预报系统及方法，可以精确的对边坡滑坡进行预测预报。CN115907094ACN115907094A权利要求书1/2页1.一种滑坡预测预报方法，其特征在于，包括：S1:对预获取的变形数据进行分析处理，得到重构的变形数据；S2:根据分析处理的重构变形数据建立预测模型，并对预测模型进行迭代求解，得到未来时刻的变形数据；S3:对未来时刻的变形数据进行分析，结合预报判据进行滑坡时间预报。2.根据权利要求1所述的滑坡预测预报方法，其特征在于，所述的对获取的变形数据分析处理包括小波变换，小波变换是对小波分解后的各层系数中的模大于或小于某阈值的系数分别处理，然后进行反变化重构出去噪后的变形数据。3.根据权利要求2所述的滑坡预测预报方法，其特征在于，所述的对小波分解后的各层系数中的模大于或小于某阈值的系数分别处理，一个含有噪声的信号模型为：S(t)＝f(t)+n(t)其中s(t)是原始信号序列，f(t)即为有用的信号序列，n(t)为噪声；小波变换去噪可以分成三个基本步骤：1)、选择一个小波基函数，并确定小波分层J，然后对信号进行J层的小波分解，得到一组小波系数。小波变换分解结构示意图如图4所示，一般分解层数J选取3～5之间比较合适，以3层为例，S代表原始的原始信号序列，A1、A2、A3代表第1至3层的低频部分，D1、D2、D3代表第1至3层的高频部分；2)、对于每一层的高频系数，选择阈值进行阈值量化处理，对于第1层到第J层的每一层高频系数，选择阈值来进行硬阈值或软阈值的量化处理，得到小波系数的估计值；3)、由小波分解的第J层的低频系数和经过量化处理的第1层到第J层高频系数，进行变形数据的小波重构。4.根据权利要求1所述的滑坡预测预报方法，其特征在于，所述的预测模型用来表达滑体变形量与时间关系的一种数学函数模型，并用Levenberg‑marquardt算法对预测模型参数进行迭代求解。5.根据权利要求1所述的滑坡预测预报方法，其特征在于，所述的Levenberg‑marquardt算法是梯度下降法和高斯牛顿法的结合，是使每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，同时通过在梯度下降法和高斯牛顿法之间自适应调整来优化网格权值，使网络能够有效收敛，具体的迭代步骤如下：1)、将所有重构后的变形数据输入送到网格并计算出结果，另用误差函数计算出所有目标的误差平方和；2)、计算出误差对权值微分的雅可比矩阵，首先定义Marquardt敏感度：敏感度为误差函数E对m层输入的第i个元素变化的敏感性，其中n为每层网络的加权和，敏感度的递推关系式为：可见，敏感度由最后一层通过网格被反向传播到第一层2CN115907094A权利要求书2/2页Sm→Sm‑1→…→S2→S1由此计算雅可比矩阵的元素3)、结合权值调整公式可以求出Δw△w＝(JTJ+μl)‑1JTe式中:e‑误差向量,J‑误差对权值微分的雅可比矩阵,μ‑一个标量,当μ增加时,它接近于具有较小的学习速率的最速下降法,当μ下降到0时,该算法就变成高斯‑牛顿法了，因此,L‑M算法是在最速下降法和高斯‑牛顿法之间的平滑调和；4)、用w+Δw重复计算误差平方和，如果新的和小于步骤1中的和，则用μ除以θ(θ>1)，并有w＝w+Δw，转向步骤1，否则用μ乘以θ，转向步骤3，当误差平方和减小到1E‑9时，算法被认为收敛。6.根据权利要求1所述的滑坡预测预报方法，其特征在于，所述的对预报判据为当未来变形数据所呈现的曲线切角达到85°时，发出滑坡预报。7.一种