• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 26
    • 下载费用:30 金币  

    重庆时时彩有什么技巧: 一种滑坡区域检测装置及方法.pdf

    关 键 词:
    一种 滑坡 区域 检测 装置 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201610821272.7

    申请日:

    2016.09.13

    公开号:

    CN106372352A

    公开日:

    2017.02.01

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06F 17/50申请日:20160913|||公开
    IPC分类号: G06F17/50; G06N3/04; G06N3/08 主分类号: G06F17/50
    申请人: 江苏大学
    发明人: 陈潇君; 朱娜; 蔡文红; 江晓明
    地址: 212013 江苏省镇江市学府路301号
    优先权:
    专利代理机构: 江苏纵联律师事务所 32253 代理人: 蔡栋
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201610821272.7

    授权公告号:

    |||

    法律状态公告日:

    2017.03.01|||2017.02.01

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种滑坡区域检测装置及方法,通过采集滑坡地区各独立检测点的传感器原始数据,经过数据处理和分析,对滑坡地区按照滑坡趋势进行分片,从而实现区域性检测。使用现有的成熟的数据显著相关性检测技术,筛选初始数据;使用机器学习技术,统计和计算滑坡发生概率;通过R?tree技术,分类管理滑坡区域。本发明实现了对分片区域进行区域性检测、整体性分析,提高了检测的准确率,可应用于滑坡区域检测。

    权利要求书

    1.一种滑坡区域检测装置,其特征在于包括:检测点数据采集???、机器学习???、滑
    坡区域管理???、显示???;
    所述的检测点数据采集??橛牖餮澳?榱?;
    所述的机器学习??橛牖虑蚬芾砟?榱?;
    所述的滑坡区域管理??橛胂允灸?榱?;
    所述的检测点数据采集??橛糜诓杉?、预处理检测数据;
    所述的机器学习??橛糜谘盗防肥?,统计和计算滑坡发生概率,实现检测功能;
    所述的滑坡区域管理??橛糜诜掷喙芾砘虑?;
    所述的显示??橛糜谙允炯觳獾闶?、滑坡区域、滑坡发生概率数值、滑坡区域当前状
    态等各项数值。
    2.根据权利要求1所述的一种滑坡区域检测装置的滑坡区域检测方法,其特征在于包
    括训练过程和检测过程。
    3.根据权利要求2所述的一种滑坡区域检测方法,其特征在于所述的训练过程如下:
    过程S1:检测区域的检测点数据集DP={dp1,dp2,...,dpn,...dpN},其中检测点编号
    dpn,1≤n≤N,N为检测地区的检测点总数,每个检测点包含若干个传感器,检测点传感器数
    据集D={d1,d2,...,ds,...dS},1≤s≤S,S为检测点传感器节点总数,检测区域的每个检测
    点传感器数据集DN={D1,D2,...,DN},每个检测点传感器数据为dsn;初始化s=0;
    过程S2:s=s+1,计算检测点传感器数据显著相关性数值ρ,
    过程S3:判断数据集是否在设定的安全阈值范围内,E为阈值下限,F为阈值上限,是否
    满足E≤ρ≤F,如果是,转到过程S4,如果否,转到过程S5;
    过程S4:放弃检测点传感器数据集D中的ds,转到过程S6;
    过程S5:保留检测点传感器数据集D中的ds,转到过程S6;
    过程S6:如果1≤s<S,则转到步骤S2,否则转到过程S7;
    过程S7:得到精简检测点传感器数据集DN,其中检测点传感器数据dmn,1≤m≤M,1≤M≤
    S;
    过程S8:从检测点传感器数据集DN中提取出数据训练集T,T={g(xi,ti)|xi∈DN,ti∈
    DN,1≤i≤K},数据[x1,x2,...xi...,xK]T用于神经元输入,数据[t1,t2,...ti,...,tK]T用于
    隐层神经元输入,K为样本总数;
    过程S9:神经元激活函数:a=g(wixi+bi),bi为第i个隐层神经元ti的偏置值,[w1,w2,
    ...wi,...wK]T为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,a为神经
    元输出;
    过程S10:对于K个训练样本(xi,ti),整个训练矩阵表示为:

    过程S11:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出表
    示为:
    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>
    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,om]T为
    单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,
    o2n,...,omn]T;
    过程S12:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡发生
    的条件概率为PijT为第j个检测点中第i个传感器节点
    的滑坡发生概率数值;
    过程S13:训练结束。
    4.根据权利要求2所述的一种滑坡区域检测方法,其特征在于所述的检测过程包括以
    下步骤:
    步骤S1:当前时刻检测区域的每个检测点传感器数据集DC={D1,D2,...,DN},每个检测
    点传感器数据为dmn,提取C={g(xi,ti)|xi∈DC,ti∈DC,1≤i≤K}作为数据检测集,[x1,
    x2,...xi...,xK]C用于输入神经元;[t1,t2,...ti,...,tK]C用于隐层神经元,K为检测总数;
    步骤S2:神经元激活函数:a=g(wixi+bi),其中bi为第i个隐层神经元ti的偏置值,[w1,
    w2,...wi,...wK]C为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,a为
    神经元输出;
    步骤S3:对于K个检测样本(xi,ti),整个检测矩阵表示为:

    步骤S4:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输出可
    以表示为:
    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>
    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,om]C为
    单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为[o1n,
    o2n,...,omn]C;
    步骤S5:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡发生的
    条件概率为PijC为第j个检测点中第i个传感器节点的
    滑坡发生概率数值;
    步骤S6:采用logistic回归模型:zj=a0+a1P1jT+a2P2jT+...,ai-1P(i-1)jT,aiPijC,ai+
    1P(i+1)jT,...+anPnjT
    <mrow> <msup> <msub> <mi>P</mi> <mi>j</mi> </msub> <mi>C</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msub> <mi>z</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>
    zj为中间变量参数,a0为回归常数,ai为第j个变量的回归系数,1≤i≤M,1≤j≤N,计算
    得到PjC为第j个检测点所在区域滑坡发生概率的回归预测值;
    步骤S7:重点滑坡区域预测,局部区域Rem,1≤m≤M,采用概率R-tree对逻辑回归的所有
    检测点进行逐层分类,得到滑坡概率高的局部检测点区域,概率R-tree叶节点的滑坡概率
    为PpC,p为检测点编号,1≤p≤N,q为概率R-tree层数,1≤q≤C,C为R-tree最大层数;
    步骤S8:生成概率R-tree底层叶节点Noden1,计算滑坡概率初始化q=2;
    步骤S9:生成概率R-tree的非叶节点Nodepq,计算非叶节点的空间范围NodeMBRpq,计算非
    叶节点的滑坡概率
    步骤S10:在显示??橹懈莸氖翟谧畲蟊呓缇匦蜗允静煌木狙丈?;
    步骤S11:如果1≤q≤C,转到步骤S9,否则转到步骤S12;
    步骤S12:当前时刻检测过程结束。
    5.根据权利要求4所述的一种滑坡区域检测方法,其特征在于所述的概率R-tree表达
    方法如下:概率R-tree中的节点分为2种:叶节点和非叶节点,叶节点Noden1存储所有检测点
    的坐标位置dpn.Lo,检测点滑坡发生概率数值PnC,dpn.Lo的数据项分别对应于空间坐标系
    的坐标位置,包括2个数据项dpn.Lo.x,dpn.Lo.y;非叶节点Nodepq存储的是包括其所有传感
    器节点所在空间范围的最大边界矩形NodeMBRpq,检测区域滑坡发生概率数值PRnodepq,p为检
    测点编号,1≤p≤N,q为概率R-tree层数,1≤q≤C,C为R-tree最大层数;
    NodeMBRpq为检测区域内所有叶节点的最大边界矩形,NodeMBRpq包括2个数据项
    NodeMBRpq.st,NodeMBRpq.ed,计算方法如下:
    NodeMBRp2.st.x=max(Node11.Lo.x,Node21.Lo.x....Noden1.Lo.x)
    NodeMBRp2.ed.x=min(Node11.Lo.x,Node21.Lo.x....Noden1.Lo.x)
    NodeMBRp2.st.y=max(Node11.Lo.y,Node21.Lo.y....Noden1.Lo.y)
    NodeMBRp2.ed.y=min(Node11.Lo.y,Node21.Lo.y....Noden1.Lo.y)
    NodeMBRpq.st.x=max(NodeMBR1(q-1).st.x,NodeMBR2(q-1).st.x....NodeMBRn(q-1).st.x)
    NodeMBRpq.ed.x=min(NodeMBR1(q-1).ed.x,NodeMBR2(q-1).ed.x....NodeMBRn(q-1).ed.x)
    NodeMBRpq.st.y=max(NodeMBR1(q-1).st.y,NodeMBR2(q-1).st.y....NodeMBRn(q-1).st.y)
    NodeMBRpq.ed.y=min(NodeMBR1(q-1).ed.y,NodeMBR2(q-1).ed.y....NodeMBRn(q-1).ed.y)。

    说明书

    一种滑坡区域检测装置及方法

    技术领域

    本发明属于地质灾害检测领域,具体涉及滑坡区域检测技术。

    背景技术

    滑坡是一类严重的地质灾害,如果发生在人口聚集地区,会造成巨大的经济损失
    和人员伤亡?;路⑸脑蚴怯捎谒哪骋换泼嫔系募粲αΤ似旅嫠艹惺艿淖?br />大抗剪应力所造成的。对滑坡的检测是降低滑坡危害的可行方法。在滑坡检测领域,从传统
    的群测群防、人工现场检测,到使用物理学检测仪器、专业的滑坡检测仪,再到遥感技术、物
    联网等技术在滑坡中的应用,滑坡检测装置及方法在不断改进。由于滑坡一般是区域性事
    件,传统采用的检测装置及方法可以获得并显示各独立检测点的传感器原始数据,但是不
    能对分片区域进行区域性检测,没有整体性分析功能,影响检测的准确率。

    发明内容

    本发明的目的在于提供一种滑坡区域检测装置及方法,以实现对分片区域进行区
    域性检测、整体性分析,提高检测的准确率。

    为了解决上述技术问题,总体实现对滑坡区域检测的功能,所采用的具体技术方
    案如下:

    一种滑坡区域检测装置,包括:检测点数据采集???、机器学习???、滑坡区域管
    理???、显示???;

    所述的检测点数据采集??橛牖餮澳?榱?;

    所述的机器学习??橛牖虑蚬芾砟?榱?;

    所述的滑坡区域管理??橛胂允灸?榱?;

    所述的检测点数据采集??橛糜诓杉?、预处理检测数据;

    所述的机器学习??橛糜谘盗防肥?,统计和计算滑坡发生概率,实现检测功
    能;

    所述的滑坡区域管理??橛糜诜掷喙芾砘虑?;

    所述的显示??橛糜谙允炯觳獾闶?、滑坡区域、滑坡发生概率数值、滑坡区域当
    前状态等各项数值。

    一种滑坡区域检测方法,其特征在于包括:训练过程和检测过程。

    所述训练过程如下:

    过程S1:检测区域的检测点数据集DP={dp1,dp2,...,dpn,...dpN},其中检测点编
    号dpn,1≤n≤N,N为检测地区的检测点总数,每个检测点包含若干个传感器,检测点传感器
    数据集D={d1,d2,...,ds,...dS},1≤s≤S,S为检测点传感器节点总数,检测区域的每个检
    测点传感器数据集DN={D1,D2,...,DN},每个检测点传感器数据为dsn;初始化s=0;

    过程S2:s=s+1,计算检测点传感器数据显著相关性数值ρ,

    过程S3:判断数据集是否在设定的安全阈值范围内,E为阈值下限,F为阈值上限,
    是否满足E≤ρ≤F,如果是,转到过程S4;如果否,转到过程S5;

    过程S4:放弃检测点传感器数据集D中的ds,转到过程S6;

    过程S5:保留检测点传感器数据集D中的ds,转到过程S6;

    过程S6:如果1≤s<S,则转到过程S2,否则转到过程S7;

    过程S7:得到精简检测点传感器数据集DN,其中检测点传感器数据dmn,1≤m≤M,1
    ≤M≤S;

    过程S8:从检测点传感器数据集DN中提取出数据训练集T,T={g(xi,ti)|xi∈DN,
    ti∈DN,1≤i≤K},数据[x1,x2,...xi...,xK]T用于神经元输入,数据[t1,t2,...ti,...,tK]T
    用于隐层神经元输入,K为样本总数;

    过程S9:神经元激活函数:a=g(wixi+bi),bi为第i个隐层神经元ti的偏置值,[w1,
    w2,...wi,...wK]T为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,a为
    神经元输出;

    过程S10:对于K个训练样本(xi,ti),整个训练矩阵表示为:


    步骤S11:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]T为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]T;

    过程S12:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡
    发生的条件概率

    P1jT=P(o1j|o2j,o3j...,omj)

    为PijT=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijT为第j个检测点中第i个传
    感器节点的滑坡发生概率数值;

    PmjT=P(omj|o1j,o2j...,o(m-1)j)


    过程S13:训练结束。

    所述检测过程如下:

    步骤S1:当前时刻检测区域的每个检测点传感器数据集DC={D1,D2,...,DN},每个
    检测点传感器数据为dmn,提取C={g(xi,ti)|xi∈DC,ti∈DC,1≤i≤K}作为数据检测集,
    [x1,x2,...xi...,xK]C用于输入神经元;[t1,t2,...ti,...,tK]C用于隐层神经元,K为检测总
    数;

    步骤S2:神经元激活函数:a=g(wixi+bi),其中bi为第i个隐层神经元ti的偏置值,
    [w1,w2,...wi,...wK]C为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,
    a为神经元输出;

    步骤S3:对于K个检测样本(xi,ti),整个检测矩阵表示为:


    步骤S4:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出可以表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]C为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]C;

    步骤S5:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡发
    生的条件概率

    P1jC=P(o1j|o2j,o3j...,omj)

    为PijC=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijC为第j个检测点中第i个传
    感器节点的滑坡发生概率数值;

    PmjC=P(omj|o1j,o2j...,o(m-1)j)


    步骤S6:采用logistic回归模型:zj=a0+a1P1jT+a2P2jT+...,ai-1P(i-1)jT,aiPijC,ai+
    1P(i+1)jT,...+anPnjT

    <mrow> <msup> <msub> <mi>P</mi> <mi>j</mi> </msub> <mi>C</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msub> <mi>z</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

    zj为中间变量参数,a0为回归常数,ai为第j个变量的回归系数,1≤i≤M,1≤j≤N,
    计算得到PjC为第j个检测点所在区域滑坡发生概率的回归预测值;

    步骤S7:重点滑坡区域预测,局部区域Rem,1≤m≤M,采用概率R-tree对逻辑回归
    的所有检测点进行逐层分类,得到滑坡概率高的局部检测点区域,概率R-tree叶节点的滑
    坡概率为PpC,p为检测点编号,1≤p≤N,q为概率R-tree层数,1≤q≤C,C为R-tree最大层数;

    步骤S8:生成概率R-tree底层叶节点Noden1,计算滑坡概率初始化q
    =2;

    步骤S9:生成概率R-tree的非叶节点Nodepq,计算非叶节点的空间范围NodeMBRpq,
    计算非叶节点的滑坡概率

    步骤S10:在显示??橹懈莸氖翟谧畲蟊呓缇匦蜗允静煌木狙丈?;

    步骤S11:如果1≤q≤C,转到步骤S9,否则转到步骤S12;

    步骤S12:当前时刻检测过程结束;

    一种所述的滑坡区域检测方法,其特征在于所述的概率R-tree表达方法如下:概
    率R-tree中的节点分为2种:叶节点和非叶节点,叶节点Noden1存储所有检测点的坐标位置
    dpn.Lo,检测点滑坡发生概率数值PnC,dpn.Lo的数据项分别对应于空间坐标系的坐标位置,
    包括2个数据项dpn.Lo.x,dpn.Lo.y;非叶节点Nodepq存储的是包括其所有传感器节点所在
    空间范围的最大边界矩形NodeMBRpq,检测区域滑坡发生概率数值p为检测点编号,1≤
    p≤N,q为概率R-tree层数,1≤q≤C,C为R-tree最大层数;NodeMBRpq为检测区域内所有叶节
    点的最大边界矩形,NodeMBRpq包括2个数据项NodeMBRpq.st,NodeMBRpq.ed,计算方法如下:

    NodeMBRp2.st.x=max(Node11.Lo.x,Node21.Lo.x....Noden1.Lo.x)

    NodeMBRp2.ed.x=min(Node11.Lo.x,Node21.Lo.x....Noden1.Lo.x)

    NodeMBRp2.st.y=max(Node11.Lo.y,Node21.Lo.y....Noden1.Lo.y)

    NodeMBRp2.ed.y=min(Node11.Lo.y,Node21.Lo.y....Noden1.Lo.y)

    NodeMBRpq.st.x=max(NodeMBR1(q-1).st.x,NodeMBR2(q-1).st.x....NodeMBRn(q-1).st.x)

    NodeMBRpq.ed.x=min(NodeMBR1(q-1).ed.x,NodeMBR2(q-1).ed.x....NodeMBRn(q-1).ed.x)

    NodeMBRpq.st.y=max(NodeMBR1(q-1).st.y,NodeMBR2(q-1).st.y....NodeMBRn(q-1).st.y)

    NodeMBRpq.ed.y=min(NodeMBR1(q-1).ed.y,NodeMBR2(q-1).ed.y....NodeMBRn(q-1).ed.y)

    本发明具有有益效果。本发明通过从滑坡检测点传感器数据集中提取出训练样
    本,采用机器学习技术,通过训练过程,建立滑坡模型。通过检测过程,生成所有检测点的滑
    坡发生概率,采用概率R-tree得到局部区域的滑坡发生概率,从而区分重点检测滑坡区域
    和非重点检测滑坡区域,采用显示??楸晔局氐慵觳饣虑?,便于相关工作人员区分滑
    坡的严重程度,提前做好预防工作,且能实现对分片区域进行区域性检测、整体性分析,提
    高检测的准确率。

    附图说明

    图1是本发明装置的总体结构示意图。

    标号说明:1-检测点数据采集???,2-机器学习???,3-滑坡区域管理???,4-显
    示???。

    图2是本发明的训练方法流程图。

    图3是本发明的检测方法流程图。

    图4是本发明实施例一所用检测节点实拍图。

    图5是本发明实施例一检测节点布局界面图。

    图6是本发明实施例一概率R树局部检测节点分布示意图。

    图7是本发明实施例一概率R树空间范围生成示意图。

    图8是本发明实施例一概率R树生成示意图。

    图9是本发明实施例一滑坡区域检测界面图。

    图10是本发明实施例二检测节点布局界面图。

    图11是本发明实施例二滑坡区域检测界面图。

    图12是本发明实施例三检测节点布局界面图。

    图13是本发明实施例三滑坡区域检测界面图。

    具体实施例

    下面结合附图和具体实施方式对本发明作进一步详细地说明。

    由图1所示的一种滑坡区域检测装置的总体结构示意图可知,它包括1-检测点数
    据采集???,2-机器学习???,3-滑坡区域管理???,4-显示???。

    所述的检测点数据采集???与机器学习???连接;

    所述的机器学习???与滑坡区域管理???连接;

    所述的滑坡区域管理???与显示???连接。

    本发明在使用时,各部件的功能描述如下:

    所述的检测点数据采集???用于采集、预处理检测数据;

    所述的机器学习???用于训练历史数据,统计和计算滑坡发生概率,实现检测功
    能;

    所述的滑坡区域管理???用于分类管理滑坡区域;

    所述的显示???用于显示检测点数据、滑坡区域、滑坡发生概率数值、滑坡区域
    当前状态等各项数值。一种滑坡区域检测方法的训练过程如图2所示,一种滑坡区域检测方
    法的检测过程由图3所示,下面给出本发明针对不同地区实施过程的例子。

    实施例1:丘陵地区易滑坡区域

    采用由图4所示的检测节点,左边是太阳能供电板,右边是密闭的检测盒,整个区
    域的检测节点布局界面图由图5所示。

    训练过程如下:

    过程S1:检测区域的检测点数据集DP={dp1,dp2,...,dpn,...dpN},其中检测点编
    号dpn,1≤n≤N,N=50为检测地区的检测点总数,每个检测点包含若干个传感器,检测点传
    感器数据集D={d1,d2,...,ds,...dS},1≤s≤S,S=8为检测点传感器节点总数,选取检测
    点传感器数据集为{土壤密度,植被覆盖率,岩性,温度,湿度,降雨量,位移,倾角},检测区
    域的每个检测点传感器数据集DN={D1,D2,...,DN},每个检测点传感器数据为dsn;初始化s
    =0;

    过程S2:s=s+1,计算检测点传感器数据显著相关性数值ρ,

    过程S3:判断数据集是否在设定的安全阈值范围内,E为阈值下限,F为阈值上限,
    选取E=0.02,F=0.87,是否满足E≤ρ≤F,如果是,转到过程S4,如果否,转到过程S5;

    过程S4:放弃检测点传感器数据集D中的ds,转到过程S6;

    过程S5:保留检测点传感器数据集D中的ds,转到过程S6;

    过程S6:如果1≤s<S,则转到步骤S2,否则转到过程S7;

    过程S7:得到精简检测点传感器数据集DN,其中检测点传感器数据dmn,1≤m≤M,1
    ≤M≤S;

    过程S8:从检测点传感器数据集DN中提取出数据训练集T,T={g(xi,ti)|xi∈DN,
    ti∈DN,1≤i≤K},数据[x1,x2,...xi...,xK]T用于神经元输入,数据[t1,t2,...ti,...,tK]T
    用于隐层神经元输入,K为样本总数,选取K=6;

    过程S9:神经元激活函数:a=g(wixi+bi),bi为第i个隐层神经元ti的偏置值,[w1,
    w2,...wi,...wK]T为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,a为
    神经元输出;

    过程S10:对于K个训练样本(xi,ti),整个训练矩阵表示为:


    过程S11:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]T为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]T;

    过程S12:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡
    发生的条件概率

    P1jT=P(o1j|o2j,o3j...,omj)

    为PijT=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijT为第j个检测点中第i个传
    感器节点的滑坡发生概率数值;

    PmjT=P(omj|o1j,o2j...,o(m-1)j)


    过程S13:训练结束。

    检测过程如下:

    步骤S1:当前时刻检测区域的每个检测点传感器数据集DC={D1,D2,...,DN},每个
    检测点传感器数据为dmn,提取C={g(xi,ti)|xi∈DC,ti∈DC,1≤i≤K}作为数据检测集,
    [x1,x2,...xi...,xK]C用于输入神经元;[t1,t2,...ti,...,tK]C用于隐层神经元,K为检测总
    数,选取K=6;

    步骤S2:神经元激活函数:a=g(wixi+bi),其中bi为第i个隐层神经元ti的偏置值,
    [w1,w2,...wi,...wK]C为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,
    a为神经元输出;

    步骤S3:对于K个检测样本(xi,ti),整个检测矩阵表示为:


    步骤S4:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出可以表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]C为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]C;

    步骤S5:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡发
    生的条件概率

    P1jC=P(o1j|o2j,o3j...,omj)

    为PijC=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijC为第j个检测点中第i个传
    感器节点的滑坡发生概率数值;

    PmjC=P(omj|o1j,o2j...,o(m-1)j)


    步骤S6:采用logistic回归模型:zj=a0+a1P1jT+a2P2jT+...,ai-1P(i-1)jT,aiPijC,ai+
    1P(i+1)jT,...+anPnjT

    <mrow> <msup> <msub> <mi>P</mi> <mi>j</mi> </msub> <mi>C</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msub> <mi>z</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

    zj为中间变量参数,a0为回归常数,ai为第j个变量的回归系数,1≤i≤M,1≤j≤N,
    计算得到PjC为第j个检测点所在区域滑坡发生概率的回归预测值;

    步骤S7:重点滑坡区域预测,局部区域Rem,1≤m≤M,采用概率R-tree对逻辑回归
    的所有检测点进行逐层分类,得到滑坡概率高的局部检测点区域,概率R-tree叶节点的滑
    坡概率为PpC,p为检测点编号,1≤p≤N,q为概率R-tree层数,1≤q≤C,C为R-tree最大层数,
    选取C=5,如图6所示概率R树局部检测节点分布;

    步骤S8:生成概率R-tree底层叶节点Noden1,计算滑坡概率初始化q
    =2;

    步骤S9:生成概率R-tree的非叶节点Nodepq,计算非叶节点的空间范围NodeMBRpq,
    计算非叶节点的滑坡概率如图7所示为图6中局部检测节点的
    空间范围示意图;

    步骤S10:在显示??橹懈莸氖翟谧畲蟊呓缇匦蜗允静煌木狙丈?;

    步骤S11:如果1≤q≤C,转到步骤S9,否则转到步骤S12;

    步骤S12:当前时刻检测过程结束,如图8所示为图6中局部检测节点的概率R-tree
    生成示意图,如图9所示为丘陵地区滑坡区域检测界面图。

    实施例2:居民小区易滑坡区域

    整个区域的检测节点布局界面图由图10所示。

    训练过程如下:

    过程S1:检测区域的检测点数据集DP={dp1,dp2,...,dpn,...dpN},其中检测点编
    号dpn,1≤n≤N,N=40为检测地区的检测点总数,每个检测点包含若干个传感器,检测点传
    感器数据集D={d1,d2,...,ds,...dS},1≤s≤S,S=6为检测点传感器节点总数,选取检测
    点传感器数据集为{土壤密度,岩性,温度,湿度,降雨量,位移},检测区域的每个检测点传
    感器数据集DN={D1,D2,...,DN},每个检测点传感器数据为dsn;初始化s=0;

    过程S2:s=s+1,计算检测点传感器数据显著相关性数值ρ,

    过程S3:判断数据集是否在设定的安全阈值范围内,E为阈值下限,F为阈值上限,
    选取E=0.01,F=0.91,是否满足E≤ρ≤F,如果是,转到过程S4,如果否,转到过程S5;

    过程S4:放弃检测点传感器数据集D中的ds,转到过程S6;

    过程S5:保留检测点传感器数据集D中的ds,转到过程S6;

    过程S6:如果1≤s<S,则转到步骤S2,否则转到过程S7;

    过程S7:得到精简检测点传感器数据集DN,其中检测点传感器数据dmn,1≤m≤M,1
    ≤M≤S;

    过程S8:从检测点传感器数据集DN中提取出数据训练集T,T={g(xi,ti)|xi∈DN,
    ti∈DN,1≤i≤K},数据[x1,x2,...xi...,xK]T用于神经元输入,数据[t1,t2,...ti,...,tK]T
    用于隐层神经元输入,K为样本总数,选取K=4;

    过程S9:神经元激活函数:a=g(wixi+bi),bi为第i个隐层神经元ti的偏置值,[w1,
    w2,...wi,...wK]T为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,a为
    神经元输出;

    过程S10:对于K个训练样本(xi,ti),整个训练矩阵表示为:


    过程S11:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]T为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]T;

    过程S12:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡
    发生的条件概率

    P1jT=P(o1j|o2j,o3j...,omj)

    为PijT=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijT为第j个检测点中第i个传
    感器节点的滑坡发生概率数值;

    PmjT=P(omj|o1j,o2j...,o(m-1)j)


    过程S13:训练结束。

    检测过程如下:

    步骤S1:当前时刻检测区域的每个检测点传感器数据集DC={D1,D2,...,DN},每个
    检测点传感器数据为dmn,提取C={g(xi,ti)|xi∈DC,ti∈DC,1≤i≤K}作为数据检测集,
    [x1,x2,...xi...,xK]C用于输入神经元;[t1,t2,...ti,...,tK]C用于隐层神经元,K为检测总
    数,选取K=4;

    步骤S2:神经元激活函数:a=g(wixi+bi),其中bi为第i个隐层神经元ti的偏置值,
    [w1,w2,...wi,...wK]C为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,
    a为神经元输出;

    步骤S3:对于K个检测样本(xi,ti),整个检测矩阵表示为:


    步骤S4:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出可以表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]C为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]C;

    步骤S5:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡发
    生的条件概率

    P1jC=P(o1j|o2j,o3j...,omj)

    为PijC=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijC为第j个检测点中第i个传
    感器节点的滑坡发生概率数值;

    PmjC=P(omj|o1j,o2j...,o(m-1)j)


    步骤S6:采用logistic回归模型:zj=a0+a1P1jT+a2P2jT+...,ai-1P(i-1)jT,aiPijC,ai+
    1P(i+1)jT,...+anPnjT

    <mrow> <msup> <msub> <mi>P</mi> <mi>j</mi> </msub> <mi>C</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msub> <mi>z</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

    zj为中间变量参数,a0为回归常数,ai为第j个变量的回归系数,1≤i≤M,1≤j≤N,
    计算得到PjC为第j个检测点所在区域滑坡发生概率的回归预测值;

    步骤S7:重点滑坡区域预测,局部区域Rem,1≤m≤M,采用概率R-tree对逻辑回归
    的所有检测点进行逐层分类,得到滑坡概率高的局部检测点区域,概率R-tree叶节点的滑
    坡概率为PpC,p为检测点编号,1≤p≤N,q为概率R-tree层数,1≤q≤C,C为R-tree最大层数,
    选取C=4;

    步骤S8:生成概率R-tree底层叶节点Noden1,计算滑坡概率初始化q
    =2;

    步骤S9:生成概率R-tree的非叶节点Nodepq,计算非叶节点的空间范围NodeMBRpq,
    计算非叶节点的滑坡概率

    步骤S10:在显示??橹懈莸氖翟谧畲蟊呓缇匦蜗允静煌木狙丈?;

    步骤S11:如果1≤q≤C,转到步骤S9,否则转到步骤S12;

    步骤S12:当前时刻检测过程结束,如图11所示为居民小区滑坡区域检测界面图;

    实施例3:沿江地区易滑坡区域

    整个区域的检测节点布局界面图由图12所示。

    训练过程如下:

    过程S1:检测区域的检测点数据集DP={dp1,dp2,...,dpn,...dpN},其中检测点编
    号dpn,1≤n≤N,N=45为检测地区的检测点总数,每个检测点包含若干个传感器,检测点传
    感器数据集D={d1,d2,...,ds,...dS},1≤s≤S,S=9为检测点传感器节点总数,选取检测
    点传感器数据集为{土壤密度,植被覆盖率,与水系距离,排水量,温度,湿度,降雨量,位移,
    倾角},检测区域的每个检测点传感器数据集DN={D1,D2,...,DN},每个检测点传感器数据
    为dsn;初始化s=0;

    过程S2:s=s+1,计算检测点传感器数据显著相关性数值ρ,

    过程S3:判断数据集是否在设定的安全阈值范围内,E为阈值下限,F为阈值上限,
    选取E=0.04,F=0.71,是否满足E≤ρ≤F,如果是,转到过程S4,如果否,转到过程S5;

    过程S4:放弃检测点传感器数据集D中的ds,转到过程S6;

    过程S5:保留检测点传感器数据集D中的ds,转到过程S6;

    过程S6:如果1≤s<S,则转到步骤S2,否则转到过程S7;

    过程S7:得到精简检测点传感器数据集DN,其中检测点传感器数据dmn,1≤m≤M,1
    ≤M≤S;

    过程S8:从检测点传感器数据集DN中提取出数据训练集T,T={g(xi,ti)|xi∈DN,
    ti∈DN,1≤i≤K},数据[x1,x2,...xi...,xK]T用于神经元输入,数据[t1,t2,...ti,...,tK]T
    用于隐层神经元输入,K为样本总数,选取K=6;

    过程S9:神经元激活函数:a=g(wixi+bi),bi为第i个隐层神经元ti的偏置值,[w1,
    w2,...wi,...wK]T为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,a为
    神经元输出;

    过程S10:对于K个训练样本(xi,ti),整个训练矩阵表示为:


    过程S11:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]T为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]T;

    过程S12:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡
    发生的条件概率

    P1jT=P(o1j|o2j,o3j...,omj)

    为PijT=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijT为第j个检测点中第i个传
    感器节点的滑坡发生概率数

    PmjT=P(omj|o1j,o2j...,o(m-1)j)值;

    过程S13:训练结束。

    检测过程如下:

    步骤S1:当前时刻检测区域的每个检测点传感器数据集DC={D1,D2,...,DN},每个
    检测点传感器数据为dmn,提取C={g(xi,ti)|xi∈DC,ti∈DC,1≤i≤K}作为数据检测集,
    [x1,x2,...xi...,xK]C用于输入神经元;[t1,t2,...ti,...,tK]C用于隐层神经元,K为检测总
    数,选取K=6;

    步骤S2:神经元激活函数:a=g(wixi+bi),其中bi为第i个隐层神经元ti的偏置值,
    [w1,w2,...wi,...wK]C为连接神经元输入和第i个隐层神经元的权值,wixi表示二者的内积,
    a为神经元输出;

    步骤S3:对于K个检测样本(xi,ti),整个检测矩阵表示为:


    步骤S4:一个具有K个神经元和激活函数g(x)的标准的单隐层前馈神经网络的输
    出可以表示为:

    <mrow> <msub> <mi>o</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>&beta;</mi> <mi>j</mi> </msub> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>b</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>,</mo> <mn>1</mn> <mo>&le;</mo> <mi>j</mi> <mo>&le;</mo> <mi>K</mi> </mrow>

    {β1,β2,...βj...,βK}为连接隐层神经元和神经元输出的权值向量,[o1,o2,...,
    om]C为单隐层前馈神经网络的输出向量,则检测点dpn的单隐层前馈神经网络的输出向量为
    [o1n,o2n,...,omn]C;

    步骤S5:逻辑回归,计算检测点的滑坡发生概率,在变量集数据改变情况中滑坡发
    生的条件概率

    P1jC=P(o1j|o2j,o3j...,omj)

    为PijC=P(oij|o1j,o(i-1)j,...,o(i+1)j,omj),1<i<m,PijC为第j个检测点中第i个传
    感器节点的滑坡发生概率数

    PmjC=P(omj|o1j,o2j...,o(m-1)j)值;

    步骤S6:采用logistic回归模型:zj=a0+a1P1jT+a2P2jT+...,ai-1P(i-1)jT,aiPijC,ai+
    1P(i+1)jT,...+anPnjT

    <mrow> <msup> <msub> <mi>P</mi> <mi>j</mi> </msub> <mi>C</mi> </msup> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mn>1</mn> <mo>+</mo> <mi>exp</mi> <mrow> <mo>(</mo> <mo>-</mo> <msub> <mi>z</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> </mrow>

    zj为中间变量参数,a0为回归常数,ai为第j个变量的回归系数,1≤i≤M,1≤j≤N,
    计算得到PjC为第j个检测点所在区域滑坡发生概率的回归预测值;

    步骤S7:重点滑坡区域预测,局部区域Rem,1≤m≤M,采用概率R-tree对逻辑回归
    的所有检测点进行逐层分类,得到滑坡概率高的局部检测点区域,概率R-tree叶节点的滑
    坡概率为PpC,p为检测点编号,1≤p≤N,q为概率R-tree层数,1≤q≤C,C为R-tree最大层数,
    选取C=7;

    步骤S8:生成概率R-tree底层叶节点Noden1,计算滑坡概率初始化q
    =2;

    步骤S9:生成概率R-tree的非叶节点Nodepq,计算非叶节点的空间范围NodeMBRpq,
    计算非叶节点的滑坡概率

    步骤S10:在显示??橹懈莸氖翟谧畲蟊呓缇匦蜗允静煌木狙丈?;

    步骤S11:如果1≤q≤C,转到步骤S9,否则转到步骤S12;

    步骤S12:当前时刻检测过程结束,如图13所示为沿江地区滑坡区域检测界面图。

    关于本文
    本文标题:一种滑坡区域检测装置及方法.pdf
    链接地址://www.4mum.com.cn/p-6013868.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 七星彩中奖规则 重庆彩组选包胆 时时彩倍投表图 pc加拿大28预测 如何买组选6稳赚不赔 经典资料三期内必出长跟稳赚 吉林11选5胆拖投注表 彩无敌河内快5计划 超级大乐透开奖规则 金凤凰精选8码资料 北京时时开奖网 彩票如何双向刷流水 复式6码二中二有多少组 双色球开奖中奖查询 pk10两期6码倍投盈利计算 25日均线稳赚买入法