基于优化神经网络的地质灾害监测预警仿真

灾害监测数据体系，确保各种监测传感器协同工作，实现地质灾害动态预警对监测数据实时采集等需求。为提高监测预警 准确性，对神经网络的输出层、隐含层的相关参数进行优化，对监测到的数据进行训练、泛化，组建基于优化神经网络的地质 灾害监测预警模型,并按照0和1的组合结果对地质灾害进行监测预警。实验结果表明，所提方法组建的模型能够有效降 低时间开销，提高整体的运行效率以及预警精度。关键词:优化神经网络;地质灾害;监测预警中图分类号:TP315 文献标识码：BGeological Disaster Monitoring and Early Warning Simulation

Based on Optimized Neural NetworkWANG Fang1 ,MIAO Fang1 ,CHEN Ken2(1. College of Geophysics, Chengdu University of Technology, Chengdu Sichuan 610059, China；2. Sichuan Institute of Intelligent Transportation Engineering, Chengdu Sichuan 610043, China)ABSTRACT: Due to poor practicability of geological disaster monitoring and early warning method, this paper pro­

posed a method of geological disaster monitoring and early warning based on optimized neural network. The data sys­tem of geological disaster monitoring was established to ensure the cooperation of all kinds of monitoring sensors, so as

to achieve the real-time collection of the dynamic early warning for the monitoring data. In order to improve the accu­

racy of monitoring and early warning, the related parameters of output layer and hidden layer of neural network were optimized. Meanwhile, the monitored data were trained and generalized, so that the geological disaster monitoring and early warning model based on optimized neural network was built. According to the combination of 0 and 1 , the geo­logical disaster was monitored and early—warned. Simulation results show that the model built by the proposed method

can effectively reduce the time overhead. Meanwhile, this model can improve the overall operation efficiency and ear­ly warning accuracy.KEYWORDS: Optimized neural network ； Geological disaster ； Monitoring and early warning1引言网络为基础的地质灾害监测预警模型⑷。但是单一的神经

我国是各种地质灾害的多发国家,每年都会因为不同的

网络存在一定的缺陷，例如收敛时间过长、计算过程出现震 地质灾害而产生不同的经济损失「刃。为此,组建地质灾害

荡等问题。上述这些问题的存在导致模型的监测预警精度

监测预警模型，对自然灾害的发生、损失等情况进行实时监

降低，从而降低整体的运行效率⑸。测以及预警是十分必要的⑶o但是地质灾害的实质为非线 针对以上问题，提出基于优化神经网络的地质灾害监测

性系统，无法使用传统的模型对其进行计算，所以引用大量

预警方法。所提方法在传统预警模型的基础上将模型进行

的非线性模型于地质灾害监测预警模型中，也取得了 一定的 改进，确保模型的实用性，通过具体的实验数据，验证了所组

成绩。建模型的可行性。从神经网络出现以来，它被广泛应用于各种地质灾害预

测领域，其中使用较为广泛的是以BP神经网络和RBF神经2基于优化神经网络的地质灾害监测预警方法2.1地质灾害监测数据预处理收稿日期：2019-04-02修回日期：2019-05-13

地质灾害监测数据的预处理方法主要有：异常数据的识—396 —别、缺失数据的处理等。经过处理后的数据能够实现预警分 析的相关需求。以下给出具体的研究步骤：1) 准备数据：监测数据接收端得到的信号大多数为电信号，需要利用

仪器的相关工作原理将电信号转变为相对应的物理量，在整

个过程中需要全面考虑设备是否具有异常信号识别的功能，

可以及时删除监测数据中的异常信号⑹。地质灾害监测数

据都是实时变化的，即将其称为时变型。设定函数关系式为

»(t),也就是监测值4和时间t之间的关系。所以，监测数

据预处理需要时间序列化。2) 粗差检验：仪器在整个监测过程中会受到一些不良因素的影响而

获取一些错误的数据，但是仪器无法自己识别异常数据并将

其剔除。由于这些数据不能在监测的客观条件中找到合理

的解释，将其称为粗差。由于人工爆破所引起的变形，则不 能将其称为粗差。在进行检验的过程中，正常的监测数据也

会岀现较大的分散性，它能够反映数据的整体情况⑺“。粗

差的鉴别方法主要分为两种:技术判别和统计判别方法。端值判别方法是利用格拉布斯准则，它是一种简单的粗

差识别方法。样本x是由n个监测值组成，从而得到样本的

最大值与最小值，并计算相关参数。以下给出样本平均值的计算式x = ( V. x, )/n

( 1 )式中,i代表样本结构偏差。通过贝塞尔公式计算样本

的标准差s,其表达式为(2)通过Grubbs计算统计向量，则有X - xmin g\\ =—-—(3)式中,礼,”和％\"分别代表样本数量的最小值和最大值。式

(3)与式(4)包含同样的概率分布，针对已经给定的风险率

a,则计算公式为P(g N G(n,a)) = a

(5)式中,g代表随机变量,G(n,a)代表临界值,a代表风险 率⑼，其值是一个近乎为0的正数。如果两个监测值的差值为勺=X］则需要满足如下条 件I e」I > G(n,a) • s (6)如果巧为异常数据，需要将其删除。重复上述操作过

程,对其余的数据一一进行判断，直到无异常数据岀现为 止。3)差值处理：地质灾害的相关监测数据在经过序列化操作后，会得到

一个连续的曲线，但是由于受到外界因素的干扰而导致数据 侧漏，且因前面的一系列操作导致数据缺失。因此，需要对

数据进行监测值的补充,通过差值方法对其进行相关处理。拉格朗日差值是组建差值函数的一种计算方法,它需要

引进相关的基函数Z,(x),以下给出其取值的具体条件£(%) =%,：,* = 0,1,n

(7)式中,5代表数据选取概率;A代表历史数据。利用式(8)给

出基函数的具体表达形式(X -心)…(X -升_])(% -如+1 )•••(% -九)13(升-*o) •\"(«； -升+1)…(升-«»)EI -~ ,1 = 0,1,…,nI九+如-x.(8)

式中，如代表样本容量。y次拉格朗日差值多项式£„(x)为 差值基函数的线性组合，则有S = XyJXx)za)(,x) I ey Ii = 0(x - xi)a)(xi)'(9)式中,3代表线性数据。其中&>(x) = (x -x0)(x - xt) ■■■(X - xn)=(升-勺)…(舛-升-1)(舛-丘+i)…(州-%”)(10)4)数据平滑部分实际的时间序列监测数据经过二次计算所获取的

数据，由于受到外界因素的干扰，会导致监测曲线波动程度

变大，无法真实的反应出监测数据的实际变化规律。所以需

要利用数据平滑将这些影响进行删除。现阶段已有的数据

平滑方法相对较多，以下选用三点线性滑动平滑，给出具体 的计算式*(5y； + 2y» - y1>2) ,i = 1ui = ' -yC/i-i + 7； + y.>i) ,i = 1,2,L,n - 1

(11)y( - /.-2 + 2/,-, + 5Z.) ,i = n式中,£代表在x = xi,yi的平滑值。5)数据过滤：数字滤波是由于信号、噪音参数的改变，频率发生变化,

最终实现数据去噪,且保存真实信号的数据处理方法。该方

法主要分为三种不同的形式:一种是将频率较高的噪音进行 消减,保存频率较低的信号，将其称之为数据平滑或是数据

修匀;另一种与上述操作方式完成相反，将其称为高通滤波

数据;最后一种就是将特定区域内的频率信号进行保留，消

除其它各种杂音，将这种方式称为带通数据滤波。数据滤波的内容十分丰富,其中剩余值滤波方法能够有

效抑制低频噪音,是设定监测值y,和其相邻的m个监测值两

者之间的平均值之差的剩余值P。以下给出具体的计算式—397 —5 = y.--------乂儿+…％® < m) (12)m i= 1经过上述步骤，完成了地质灾害监测数据的预处理。2.2 基于优化神经网络的地质灾害监测预警BP神经网络是相关学者在1986年研究并提出的，它主 要通过误差逆训练完成网络训练，是当前使用较为广泛的模 型之一。它主要是由以下三个部分组成:输入层、隐含层、输

出层。为了提高模型整体的监测预警准确性，需要对上

述参数进行调整以及改进，用户可以自主设置不同神经层的

神经元的数量、学习速率等相关参数。1) 输入层：现阶段对地质灾害造成影响的因素十分多，在进行建模 的过程中无法全面考虑这些影响因素，如果一一考虑这些影

响因素就会导致算法的计算时间增加，并且相应的训练数据 的时间也会随之增加。在进行计算的过程中，需要选取合适 的影响因子进行分析，但是发生灾害的地质不同，导致影响

因子所占据的比例也就存在差异。由于上述这种操作会对 影响因子产生不良影响，因此，组建基于优化设置的神经网

络模型。针对不同的灾害，需要进行实地考察并与相关经验

结合并组建神经网络，有效增强模型的计算效率\"U。2) 隐含层：设置该层的层数以及节点数量，其中包含多个参数，这

些参数能够有效提升整个网络的运行效率，降低样本的训练

时间,对网络的训练以及泛化都起到十分重要的作用。一方

面可以增加上述两者的数量，提高整个模型的精度；另一方

面会导致网络的整体性能下降。针对此问题,在进行神经网 络设计的过程中，需要首先考虑这层网络。3) 输出层：该层的节点数量可以进行设置，假设设置两个节点，则

出现(0.1),(1,0)的情况，它们分别表示为“无地质灾害发 生”和“有地质灾害发生”，可以很直接的表明是否发生地质

灾害。经过优化的神经网络地质灾害监测预警具体能够划分

为5步，以下具体给出：1) 各个参数的设定：首先需要设定相关的参数，选取不同的信号。不同的地

质灾害特征中存在不同的地质灾害因子，将其设定为输入信

号另外还要设定节点数量X、学习速率卩等相关参数，上

述参数能够有效提升模型的控制精度，并提升模型的实用 性，以下给出具体的计算式Z(k) = H(k)X(k) + VW

(13)2) 归一化处理该小节利用线性函数变换法进行计算，则有y = x ~ e-\"

(14)°max °min式中,e””*代表节点数量的最大取值,代表节点数量的最

小取值。3) 网络训练：—398 —

整个学习过程主要分为两部分:信号的正向传播和误差

的反向传播。前者主要是将信号通过输入层发送到隐含层，

利用隐藏层进行计算后将其发送至输出层;后者主要指当两

个输岀信号存在差异时,误差信号则会朝着误差降低的方面

进行信号传输，将全部的误差平均划分给各个不同的单元，

并修正不同层的权值〔可。在正向传播的过程中计算全部节点的误差平方和E =斗 £(哲-

(15)式中,£代表输出层节点的期望值;y,代表节点的最终输出。

如果E的取值低于事先设定好的值，则需要训练下一个样

本，反之则需要进行误差逆向传播，适当调整各个取值的大

小。将上述操作过程反复进行,使网络的输出误差达到事先

设定好的接收范围内，这就是训练神经网络的过程。4) 网络泛化：对网络进行训练的主要目的就是保证已经训练好的网

络模型具有非常好的泛化能力。以上的泛化能力主要是分 析已经构建好的模型对全部样板规律的逼近情况，利用没有

经过训练的样本误差的大小进行描述。该差值的大小与训 练样本十分接近或是低于训练样本误差,则说明该网络模型

能够十分接近训练样本所包含的规律。反之,则说明该模型

无效。5) 实行地质灾害监测预警：在经过上述操作后可知，网络的泛化能力十分符合要 求,该阶段的模型已经组建完成，最后对输入样本进行监测

预警。神经网络的预测输出值利用1和0进行组合,通过不

同的组合判断是否发生地质灾害。该模型能够通过调整输

出层的节点数量增加整个模型的可控制性。如果神经网络的输出层中存在两个节点,各个节点的输

出值为1或者0,可以组合成(0,1)和(1,0)两种情况，它们

分别代表了两种不同地质灾害的状态。有时还能有(0,0)或

(1,1)两种情况存在,但是它们的存在没有任何意义,代表无 效结果。上述这种操作过程清晰明了，能够及时提供给工作

人员警示，及时做好应对措施。3实验结果与分析选取某河流中、下游两个地区,将一段时间内的洪水、降

雨的相关数据设定为地质灾害分析对象，监测预警这两个地 区的洪灾发生情况,利用表1给出具体的地质灾害监测预警

样本数据：表1地质突害监测预警样本数据时间~河流中游地 河流下游地河流中下游降河流中下游/天流量/(n?/s)流量/(m'/s)雨量/mm 净雨/mm1

36000 900 0.27 02 52300 1140 7.64

2.6352400214029.4710.962100013. 158.69441300317018.6010.1172100013. 158.57529600576021.8710.2582100013.548.47627200660010.454. 1292100013.608.5272610061105.212. 10102100014. 118.5682410042804.241.3112100014.558.6492690021104.791.4122100014.648.71102920012005. 116.87132100014.778.01142100014.898. 12为了检验所构建模型的准确性，使用神经网络和经过优 152100015.018.23化后的神经网络进行训练，分别计算两种不同模型的预警精 度以及时间开销。实验中设置一定的迭代次数，将表1的前

通过分析表2可知，两种模型的时间开销存在一定的差 5组数据作为训练数据，后五组数据作为预测数据。距。其主要原因在于，所组建的模型在传统模型的基础上进 利用图1给出两种预警模型的预警结果和实际情况的

行了一定的改进,使整个模型的各个性能都明显优越于传统

对比结果。模型。本文所提方法组建的模型能够有效降低时间开销，提

高整体的运行效率以及预警精度。4结束语地质灾害随着各种资源的不断开发与使用而日益加剧。

尤其是在地质环境较为复杂的地区，近几年来受到各种地质 灾害的影响，导致每年都会产生大量的地质灾害。以下给岀

具体的研究成果：1) 地质灾害监测是进行地质灾害预警的一项重要技术， 数据的实时监测是地质灾害稳定性评价、预警的基础，预警

是地质灾害的核心。通过相关程序的开发，能够实现地质灾

害相关数据的实时监测。2) 在传统模型的基础上，对神经网络进行衣进和优化，

图1不同模型性能比鮫提升整个模型的预警精度。3) 经过仿真分析，充分证明了本文所提方法的优越性。通过分析图1可知,本文所提方法组建的模型预警结果 本文所提方法虽然在一些方面进行了改进，但是仍然存

与实际结果基本一致，但是传统方法的预警结果与实际结果

在一定的不足，未来阶段，将会进一步加深研究。存在较大误差，通过对比结果可知，本文所提方法符合地质

参考文献：灾害预警标准。[1] 黄露，谢忠，罗显刚.地质灾害监测预警信息共享机制研究 利用表2给出两种模型经过15次实验的时间开销对比

[J].测绘科学,2016,41(5)： 55-59.结果O[2]

陈蓿青，田雪冬，曹浩，等.基于三维GIS的丹江口水库地质灾 害监测预警系统设计与实现[J].长江科学院院报，2016,33

表2不同模型时间开销对比结果(7):51-54.[3]

冯振，李滨，赵超英，等.三峡库区山区城镇重大地质灾害监测

实验次数模型迭代 传统模型所提方法构建

预警示范研究[J].地质力学学报，2016,22(3):685-694./次次数/次耗时/ms模型耗时/ms[4]

陈岩.大数据时代对地质灾害监测预警的思考[J].中国矿

1164789.471.25业,2016,25(s2) :328-330.22100013.658.69[5] 郭存杰，张来斌，陈甜，等.陕京管道滑坡灾害预警标准计算与

32100013.力1.71分析[J].油气储运,2016,35(10):1092-1097.4210008.697.85[6]

孟庆丰，王学良.北京怀柔区降雨引发地质灾害危险性预测 [J].水文地质工程地质，2016,43(2) ：167-170.51175212.142.55(下转第409页)

—399 —最终的监控结果越具稳定性。同时，本文软件的控制性能从

5结束语40MHz开始，之后的性能均高于Obit/s,这时软件就会自动寻

与其它监控软件的监控内容不同,逆向物流配送信息不

找敏感信息，大大缓解软件陷入局部最优的问题。具任何线性特征,为此本文设计了基于物联网的终端监控软

件，并通过仿真的方式验证了该软件的有效性。此外，本文

(S仅采用了一种监控方法，这也是本次设计的创新点，希望本

2e迪文设计的软件能够推广到其它物流信息的终端监控过程中, 蟹

为我国物流行业的进一步发展提供基础。参考文献：频率/MHz(a)物流信息传输讯号［1］ 何芳.物流区域配送车辆运输路径优化调度仿真［J］.计算机 仿真，2018,35(8) ：331-334.［2］

徐艺,孟利清，王浩，等.基于Flexsim的刨花板生产废料逆向 (sm物流系统的仿真研究［J］.物流工程与管理，2017,39(10):63

q)®w

-64.［3］ 童世华,柳盼.电力监控系统移动终端软件的设计与实现［J］.

实验技术与管理，2018,12(2)： 101-103.［4］

王晓龙，郭俊凯.山西吕梁高速公路视频终端监控系统解决方 (b)监控对数

案［J］.中国交通信息化,2018,39(2):55-57.［5］

罗琼.特高压工程物资配送监控管理信息系统的探讨［J］.现 (代企业文化,2017,46(11) ： 184-185.SAe

［6］ 邓辉明，黄峰.基于移动终端的电机监控系统设计与实现［J］. 迫馨

湖南工程学院学报(自科版),2017,36(4):10-12.［7］

范文兵，冯文.混今遗传算法的带时间窗卷烟物流车辆路径优 化［J］.现代电子皮术,2018,41(11):119-123.频率/MHz(c)软件滤波控制性能［作者简介］图5本文软件数值仿真结果吴军良(1981-),^(汉族)，江西余江人，硕士，讲

师，研究方向：软件工程,算法；综上,本文设计的基于物联网的逆向物流配送信息终端 李房云(1983-),男(汉族)，湖南娄底人，硕士，讲

监控软件能够有效缓解信息管理时出现的局部最优问题，较

师，研究方向：电气工程,机器人技术；传统软件的数值仿真结果精度较高，说明软件具备有效性和

毛丽青(1982-),^(汉族)，江西余江人，助教，研究方向：教育学。实用性。(上接第399页)［7］ 苏永奇，马巍，吴志坚，等.兰州新区潜在地震地质灾害预测分 ［12］张宇波，成丽君.农业气象灾害等级优化预测仿真研究［J］.

析［J］.地震研究，2016,39(1)：107-113.计算机仿真，2017,34(6) : 440-444.［8］

文良友，蔡频.溪洛渡水电站水库影响区地质灾害的预测预防

［J］.水力发电,2018,44(1):94-97.［作者简介］［9］

陈春利，贺凯，温铭生，等.基于灰色系统理论的长江经济带地

王方( 1976-)，男(汉族)，上海嘉定人，博士，实

区地质灾害趋势预测研究［J］.地质力学学报，2016,22 ( 3)： 斗 验师，主要研究领域:空间信息处理与并行计算；706-713.?苗 放(1985-),男(汉族)，北京人，博士，教授，主

［10］ 谭延嗣.BP神经网络应用于地质灾害预测的研究［J］.江西

丄卜要研究领域:计算机技术与应用；建材，2017,(24) ：229-229.■ ■陈垦(1986-),男(汉族)，四川乐山人，博士，工 ［11］

何世钧，周媛媛，张婷，等.基于主导因子的绿潮灾害预测方

程师,主要研究领域:大数据技术及应用。法研究［J］.海洋环境科学，2018,37(3):326-331.—409 —