一種基於ga-psobp算法的地質災害危險性評價方法
2023-05-11 11:17:51 1
一種基於ga-psobp算法的地質災害危險性評價方法
【專利摘要】本發明公開了一種基於GA-PSOBP算法的地質災害危險性評價方法，該方法將BP算法與遺傳算法相結合，提出混合智能算法；先用遺傳算法對網絡進行訓練，找到一個較優解，然後將這一結果作為BP算法中的網絡初始參數再進行訓練，這種方法可以提高網絡的分類能力，避免結果陷入局部最優；並且在訓練迭代中採用PSO算法進行更改連接權值和閾值，從而加快了網絡的收斂速度。
【專利說明】—種基於GA-PSOBP算法的地質災害危險性評價方法
【技術領域】
[0001]本發明涉及一種基於GA-PSOBP算法的地質災害危險性評價方法，特別涉及一種智能計算與地質災害預測方法，屬於計算機應用與災害預測領域。
【背景技術】
[0002]地質災害危險性評價研究是自然災害風險研究的一個分支，地質災害危險性評價對及時預報自然災害，提前採取預防措施具有重要的意義。全球對自然災害的研究歷史久遠，但對於地質災害的風險研究是近幾十年才興起的一個研究領域，雖然相關理論和方法日漸豐富，但迄今沒有形成一個完整的體系。
[0003]近年來，日本、英國等一些國家近年來開展了地震、海嘯、洪水、滑坡、泥石流等災害風險分析或災害評估，其相關成果已經成為確定減災責任和實施救助的重要依據。
【發明內容】
[0004]本發明的目的是提供一種基於GA-PSOBP算法的地質災害危險性評價方法，這種方法基於粒子群優化算法，克服通常方法對初始值敏感容易陷入局部極值的弱點；使用單一的智能算法往往也只能求出局部最優解，且迭代次數很多。
[0005]本發明提出了一種GA-PSOBP遺傳算法，即在BP算法處理非線性問題的優勢基礎上，引入遺傳算法計算初始權值和閾值，採用PSO算法優化每次的迭代中連接權值和閾值的變更，這樣可以避免計算結果陷入局部優化，更加提高了求解速度，取得了很好的效果。
[0006]本發明是通過以下技術方案實現的:
[0007](I)本發明中，對以吉林省地質災害監測資料數據進行分析總結。並結合地質災害危險性評價中地質災害活動的動力條件確定主要影響因子為年平均降雨量、森林覆蓋率、地形地貌、地質構造、巖土體結構、災害點密度和人類工程活動。
[0008](2)將BP算法與遺傳算法相結合，提出混合智能算法。先用遺傳算法對網絡進行訓練，找到一個較優解，然後將這一結果作為BP算法中的網絡初始參數再進行訓練。這種方法可以提高網絡的分類能力，避免結果陷入局部最優。並且在訓練迭代中採用PSO算法進行更改連接權值和閾值，從而加快了網絡的收斂速度。
[0009](3)首先，在5702組樣本數據中隨機取出4702組數據作為訓練樣本，剩餘的100組數據作為測試樣本，由於數據的量綱不同，所以對數據進行標準歸一化。確定網絡各層節點數，進行仿真訓練，從而建立了地質災害危險性的仿真模型。
【專利附圖】
【附圖說明】
[0010]圖1為本發明的流程示意圖。
【具體實施方式】
[0011]請參閱圖1所示，本發明包括以下步驟:[0012](一)、確定神經網絡結構:包括輸入層、隱含層、輸出層的神經元個數；
[0013](二)、染色體的編碼:
[0014]採用實數編碼，即X= (￥，θ,ν, Y)，w為輸入層和隱層之間的連接權值，Θ為隱層的閾值，V為隱層和輸出層之間的連接權值，Y為輸出層的閾值；
[0015](三)、適應度函數的構造:
[0016]目標函數選取網絡誤差函數Ε，
[0017]
【權利要求】
1.一種基於GA-PSOBP算法的地質災害危險性評價方法，該方法包括以下步驟: (一)、確定神經網絡結構:包括輸入層、隱含層、輸出層的神經元個數； (二)、染色體的編碼: 採用實數編碼，即X= (W，θ,ν, Y)，w為輸入層和隱層之間的連接權值，Θ為隱層的閾值，V為隱層和輸出層之間的連接權值，Y為輸出層的閾值； (三)、適應度函數的構造: 目標函數選取網絡誤差函數Ε，
【文檔編號】G06Q10/04GK103699943SQ201310751220
【公開日】2014年4月2日 申請日期:2013年12月27日 優先權日:2013年12月27日
【發明者】劉銘, 王軼, 董小剛, 何禹德 申請人:長春工業大學