本發(fā)明屬于地質(zhì)災(zāi)害預(yù)測(cè)領(lǐng)域，具體涉及一種滑坡預(yù)測(cè)技術(shù)。

背景技術(shù)：

滑坡是指斜坡體上的土巖體由于多種因素的影響，在重力的作用下，沿著一定的軟弱面或軟弱帶，整體或部分地順坡向下滑動(dòng)的現(xiàn)象。滑坡事件一般會(huì)造成嚴(yán)重的經(jīng)濟(jì)損失，甚至生命損失。對(duì)滑坡的預(yù)測(cè)是降低滑坡危害的可行方法。滑坡預(yù)測(cè)方法有很多，有一些采用單獨(dú)的位移因素監(jiān)測(cè)和預(yù)測(cè)方法，但是由于滑坡還會(huì)受到許多其他因素的影響，所以影響預(yù)測(cè)準(zhǔn)確性；有一些采用GM模型，適用于短期預(yù)測(cè)，但是在建立長(zhǎng)期預(yù)測(cè)模型時(shí)，由于數(shù)據(jù)列過長(zhǎng)，導(dǎo)致不穩(wěn)定因素增加，使得模型預(yù)測(cè)準(zhǔn)確性降低；有一些采用傳統(tǒng)的貝葉斯模型，不能得到穩(wěn)定的模型，每次數(shù)據(jù)改變之后需要重新建模；有一些采用Logistic回歸，需要將自變量進(jìn)行離散化近似操作，造成誤差，影響預(yù)測(cè)準(zhǔn)確性?，F(xiàn)行的滑坡預(yù)測(cè)方法可以實(shí)現(xiàn)預(yù)測(cè)功能，但是預(yù)測(cè)準(zhǔn)確性普遍不高。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種局部區(qū)域滑坡預(yù)測(cè)裝置及方法，以提高預(yù)測(cè)準(zhǔn)確性。

為了解決上述技術(shù)問題，本發(fā)明采用現(xiàn)有的機(jī)器學(xué)習(xí)相關(guān)技術(shù)，包括卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，監(jiān)督式策略模型，隨機(jī)梯度下降法，隨機(jī)梯度上升法，遷移模型，通過訓(xùn)練方法和評(píng)估方法的步驟設(shè)計(jì)，通過訓(xùn)練輸入的歷史滑坡數(shù)據(jù)，建立并優(yōu)化滑坡模型，然后利用滑坡模型評(píng)估當(dāng)前滑坡情況，顯示局部區(qū)域滑坡趨勢(shì)和概率，實(shí)現(xiàn)對(duì)局部區(qū)域滑坡預(yù)測(cè)的功能，具體技術(shù)方案如下：

一種局部區(qū)域滑坡預(yù)測(cè)裝置，包括：監(jiān)測(cè)點(diǎn)管理模塊、局部區(qū)域管理模塊、機(jī)器學(xué)習(xí)模塊、模型管理模塊、評(píng)估模塊、顯示模塊；

所述的監(jiān)測(cè)點(diǎn)管理模塊與局部區(qū)域管理模塊連接；

所述的局部區(qū)域管理模塊與機(jī)器學(xué)習(xí)模塊連接；

所述的機(jī)器學(xué)習(xí)模塊與模型管理模塊連接；

所述的模型管理模塊與評(píng)估模塊連接

所述的評(píng)估模塊與顯示模塊連接；

所述的監(jiān)測(cè)點(diǎn)管理模塊用于管理滑坡區(qū)域的傳感器監(jiān)測(cè)點(diǎn)及監(jiān)測(cè)點(diǎn)的監(jiān)測(cè)數(shù)據(jù)；

所述的機(jī)器學(xué)習(xí)模塊學(xué)習(xí)輸入的滑坡數(shù)據(jù)，提取滑坡特征，發(fā)現(xiàn)數(shù)據(jù)之間的規(guī)律聯(lián)系，建立并優(yōu)化滑坡模型；

所述的局部區(qū)域管理模塊用于建立局部區(qū)域滑坡類別及管理滑坡區(qū)域概率數(shù)據(jù)；

所述的模型管理模塊用于不同區(qū)域滑坡優(yōu)化的模型的管理；

所述的評(píng)估模塊用于評(píng)估每個(gè)階段建立的滑坡模型；

所述的顯示模塊用于顯示傳感器監(jiān)測(cè)點(diǎn)，不同區(qū)域滑坡趨勢(shì)和概率等直觀信息；

一種局部區(qū)域滑坡預(yù)測(cè)方法其特征在于包括訓(xùn)練過程和評(píng)估過程

一種局部區(qū)域滑坡預(yù)測(cè)方法的訓(xùn)練過程如下：

步驟S1：局部區(qū)域編號(hào)Re_m，1≤m≤M，M為局部區(qū)域總數(shù)，監(jiān)測(cè)點(diǎn)編號(hào)Ds_n，1≤n≤N，1≤m≤N,N為局部區(qū)域的監(jiān)測(cè)點(diǎn)總數(shù)，滑坡區(qū)域數(shù)據(jù)集為神經(jīng)網(wǎng)絡(luò)總層數(shù)為L(zhǎng)ayer；

步驟S2：初始化神經(jīng)網(wǎng)絡(luò)當(dāng)前層layer＝Layer,m＝1；

步驟S3：k＝m，局部區(qū)域Re_m的矩陣圖訓(xùn)練集S_m代表監(jiān)測(cè)點(diǎn)的傳感器數(shù)據(jù)集映射為k×k的矩陣圖訓(xùn)練集，局部區(qū)域Re_m監(jiān)測(cè)點(diǎn)傳感器數(shù)據(jù)集在訓(xùn)練過程中各個(gè)時(shí)間節(jié)點(diǎn)為t_π,1≤t_π≤T，T為該局部區(qū)域訓(xùn)練總時(shí)間。局部區(qū)域滑坡Re_m的滑坡概率為P_m；

步驟S4：初始化i＝I,j＝J；I為選取特征圖數(shù)量上限，J為選取數(shù)據(jù)維數(shù)上限；

步驟S5：在k×k的矩陣圖訓(xùn)練集中提取出i個(gè)j×j的局部矩陣圖訓(xùn)練集{map₁,map₂,...,map_i},layer層每個(gè)神經(jīng)元需要的權(quán)重參數(shù)個(gè)數(shù)為i×j，將所有權(quán)值初始化為一個(gè)隨機(jī)數(shù)w_ij＝Random(i,j)；

步驟S6：判斷當(dāng)前層是否為卷積層，如果是，轉(zhuǎn)到步驟S7，如果否，轉(zhuǎn)到步驟S8；

步驟S7：通過激活函數(shù)計(jì)算f(x)為激活函數(shù)，在這一步中傳入的參數(shù)x為為當(dāng)前層layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前層layer神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移，當(dāng)前層layer的神經(jīng)元與其對(duì)應(yīng)的局部區(qū)域矩陣圖連接，轉(zhuǎn)到步驟S9。

步驟S8：通過激活函數(shù)計(jì)算當(dāng)前層layer輸出f(x)為激活函數(shù)，在這一步中傳入的參數(shù)x為為當(dāng)前層layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前l(fā)ayer層神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移β為當(dāng)前層layer的訓(xùn)練參數(shù)；

步驟S9：將當(dāng)前層下移一層，特征圖和數(shù)據(jù)維數(shù)各減一，layer＝layer-1，i＝i-1，j＝j(luò)-1；

步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉(zhuǎn)到步驟S5，如果否，轉(zhuǎn)到步驟S11。

步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個(gè)向量；得到局部區(qū)域Re_m對(duì)應(yīng)的監(jiān)督策略模型ModelC_m(x)；

步驟S12：使用隨機(jī)梯度下降法，更新監(jiān)督策略模型ModelC_m(f(σ))，σ為更新參數(shù)，f(σ)為最大似然函數(shù)，選取隨機(jī)梯度下降法的最大似然函數(shù)為：

步驟S13：訓(xùn)練當(dāng)前層layer的遷移模型ModelQ_m(x)，完全復(fù)制監(jiān)督策略模型ModelC_m(f(σ))的數(shù)據(jù)結(jié)構(gòu)，作為遷移模型ModelQ_m(g(ρ))的初始化數(shù)據(jù)結(jié)構(gòu)，初始化參數(shù)ρ＝σ。

步驟S14：使用隨機(jī)梯度上升法更新參數(shù)ρ,更新遷移模型ModelQ_m(g(ρ))，選取隨機(jī)梯度上升法的最大似然函數(shù)為：

步驟S15：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟S3，如果否，轉(zhuǎn)到步驟S16。

步驟S16：訓(xùn)練結(jié)束。

一種局部區(qū)域滑坡預(yù)測(cè)方法的評(píng)估過程如下：

步驟S1：初始化m＝1；

步驟S2：計(jì)算局部區(qū)域Re_m的滑坡趨勢(shì)值ModelQ_m(g(ρ))為矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型，t為當(dāng)前時(shí)刻，反映當(dāng)前時(shí)刻Re_m區(qū)域的滑坡概率分布情況；

步驟S3：計(jì)算局部區(qū)域滑坡發(fā)展趨勢(shì)值

步驟S4：采用公式更新矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型ModelQ_m(g(ρ))，m＝m+1；

步驟S5：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟S2，如果否，轉(zhuǎn)到步驟S6

步驟S6：顯示局部區(qū)域滑坡發(fā)展趨勢(shì)；

步驟S7：評(píng)估結(jié)束。

本發(fā)明具有有益效果。

本發(fā)明提供的局部區(qū)域滑坡預(yù)測(cè)裝置和方法，通過機(jī)器學(xué)習(xí)相關(guān)技術(shù)，采用訓(xùn)練過程，輸入傳感器數(shù)據(jù)集，通過不斷的梯度下降和梯度上升過程，得到局部區(qū)域的遷移模型，隨著更多數(shù)據(jù)的輸入，遷移模型準(zhǔn)確率會(huì)不斷地提高。采用評(píng)估過程，通過遷移模型，計(jì)算局部區(qū)域滑坡發(fā)展趨勢(shì)，提高預(yù)測(cè)準(zhǔn)確率，采用顯示模塊展示所有局部區(qū)域滑坡發(fā)展趨勢(shì)，便于工作人員及時(shí)安排相關(guān)工作。

附圖說明

圖1是本發(fā)明裝置的總體結(jié)構(gòu)示意圖。

圖中：1-監(jiān)測(cè)點(diǎn)管理模塊，2-局部區(qū)域管理模塊，3-機(jī)器學(xué)習(xí)模塊，4-模型管理模塊，5-評(píng)估模塊，6-顯示模塊。

圖2是本發(fā)明方法的訓(xùn)練方法流程圖。

圖3是本發(fā)明方法的檢測(cè)方法流程圖。

圖4是實(shí)施例一局部區(qū)域界面圖。

圖5是實(shí)施例一局部區(qū)域滑坡預(yù)測(cè)界面圖。

圖6是實(shí)施例二局部區(qū)域界面圖。

圖7是實(shí)施例二局部區(qū)域滑坡預(yù)測(cè)界面圖。

圖8是實(shí)施例三局部區(qū)域界面圖。

圖9是實(shí)施例三局部區(qū)域滑坡預(yù)測(cè)界面圖。

具體實(shí)施例

下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)地說明。

由圖1所示的一種局部區(qū)域滑坡預(yù)測(cè)裝置的總體結(jié)構(gòu)示意圖可知，它包括1-監(jiān)測(cè)點(diǎn)管理模塊，2-局部區(qū)域管理模塊，3-機(jī)器學(xué)習(xí)模塊，4-模型管理模塊，5-評(píng)估模塊，6-顯示模塊；

所述的監(jiān)測(cè)點(diǎn)管理模塊1與局部區(qū)域管理模塊2連接；

所述的局部區(qū)域管理模塊2與機(jī)器學(xué)習(xí)模塊3連接；

所述的機(jī)器學(xué)習(xí)模塊3與模型管理模塊4連接；

所述的模型管理模塊4與評(píng)估模塊5連接

所述的評(píng)估模塊5與顯示模塊6連接。本發(fā)明在使用時(shí)，各部件的功能描述如下：

所述的監(jiān)測(cè)點(diǎn)管理模塊1用于管理滑坡區(qū)域的傳感器監(jiān)測(cè)點(diǎn)及監(jiān)測(cè)點(diǎn)的監(jiān)測(cè)數(shù)據(jù)；

所述的機(jī)器學(xué)習(xí)模塊2學(xué)習(xí)輸入的滑坡數(shù)據(jù)和圖片，提取滑坡特征，為建立滑坡模型做準(zhǔn)備；

所述的局部區(qū)域管理模塊3用于建立局部區(qū)域滑坡類別的及數(shù)據(jù)等的管理；

所述的模型管理模塊4用于模型的管理；

所述的評(píng)估模塊5用于評(píng)估滑坡趨勢(shì)；

所述的顯示模塊6用于標(biāo)示不同區(qū)域滑坡程度。

本發(fā)明的訓(xùn)練流程由圖2所示。本發(fā)明的檢測(cè)流程由圖3所示。

實(shí)施例1：丘陵地區(qū)易滑坡區(qū)域

整個(gè)區(qū)域的檢測(cè)節(jié)點(diǎn)布局界面圖由圖4所示。

訓(xùn)練過程如下：

步驟S1：局部區(qū)域編號(hào)Re_m，1≤m≤M，M＝12為局部區(qū)域總數(shù)，監(jiān)測(cè)點(diǎn)編號(hào)Ds_n，1≤n≤N，1≤m≤N,N＝50為局部區(qū)域的監(jiān)測(cè)點(diǎn)總數(shù)，滑坡區(qū)域數(shù)據(jù)集為神經(jīng)網(wǎng)絡(luò)總層數(shù)為L(zhǎng)ayer＝15；

步驟S2：初始化神經(jīng)網(wǎng)絡(luò)當(dāng)前層為layer＝Layer,m＝1；

步驟S3：k＝m，局部區(qū)域Re_m的矩陣圖訓(xùn)練集S_m代表監(jiān)測(cè)點(diǎn)的傳感器數(shù)據(jù)集映射為k×k的矩陣圖訓(xùn)練集，局部區(qū)域Re_m監(jiān)測(cè)點(diǎn)傳感器數(shù)據(jù)集在訓(xùn)練過程中各個(gè)時(shí)間節(jié)點(diǎn)為t_π,1≤t_π≤T，T為該局部區(qū)域訓(xùn)練總時(shí)間。局部區(qū)域滑坡Re_m的滑坡概率為P_m；

步驟S4：初始化i＝I,j＝J,I＝5,J＝4；I為選取特征圖數(shù)量上限，J為選取數(shù)據(jù)維數(shù)上限；

步驟S5：在k×k的矩陣圖訓(xùn)練集中提取出i個(gè)j×j的局部矩陣圖訓(xùn)練集{map₁,map₂,...,map_i},layer層每個(gè)神經(jīng)元需要的權(quán)重參數(shù)個(gè)數(shù)為i×j，將所有權(quán)值初始化為一個(gè)隨機(jī)數(shù)w_ij＝Random(i,j)；

步驟S6：判斷當(dāng)前層是否為卷積層，如果是，轉(zhuǎn)到步驟S7，如果否，轉(zhuǎn)到步驟S8；

步驟S7：通過激活函數(shù)計(jì)算f(x)為激活函數(shù)，采用sigmoid函數(shù)在這一步中傳入的參數(shù)x為為當(dāng)前層layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前層layer神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移，當(dāng)前層layer的神經(jīng)元與其對(duì)應(yīng)的局部區(qū)域矩陣圖連接，轉(zhuǎn)到步驟S9。

步驟S8：通過激活函數(shù)計(jì)算當(dāng)前層layer輸出f(x)為激活函數(shù)，采用sigmoid函數(shù)在這一步中傳入的參數(shù)x為為當(dāng)前層layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前層layer神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移β為當(dāng)前層layer的訓(xùn)練參數(shù)；

步驟S9：將當(dāng)前層下移一層，特征圖和數(shù)據(jù)維數(shù)各減一，layer＝layer-1，i＝i-1，j＝j(luò)-1；

步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉(zhuǎn)到步驟S5，如果否，轉(zhuǎn)到步驟S11。

步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個(gè)向量；得到局部區(qū)域Re_m對(duì)應(yīng)的監(jiān)督策略模型ModelC_m(x)；

步驟S12：使用隨機(jī)梯度下降法，更新監(jiān)督策略模型ModelC_m(f(σ))，σ為更新參數(shù)，f(σ)為最大似然函數(shù)，選取隨機(jī)梯度下降法的最大似然函數(shù)為：

步驟S13：訓(xùn)練layer層的遷移模型ModelQ_m(x)，完全復(fù)制監(jiān)督策略模型ModelC_m(f(σ))的數(shù)據(jù)結(jié)構(gòu)，作為遷移模型ModelQ_m(g(ρ))的初始化數(shù)據(jù)結(jié)構(gòu)，初始化參數(shù)ρ＝σ。

步驟S14：使用隨機(jī)梯度上升法更新參數(shù)ρ,更新遷移模型ModelQ_m(g(ρ))，選取隨機(jī)梯度上升法的最大似然函數(shù)為：

步驟S15：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟S3，如果否，轉(zhuǎn)到步驟S16。

步驟S16：訓(xùn)練結(jié)束

評(píng)估過程如下：

步驟一，：初始化m＝1；

步驟二，：計(jì)算局部區(qū)域Re_m的滑坡趨勢(shì)值ModelQ_m(g(ρ))為矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型，t為當(dāng)前時(shí)刻，反映當(dāng)前時(shí)刻Re_m區(qū)域的滑坡概率分布情況；

步驟三：計(jì)算局部區(qū)域滑坡發(fā)展趨勢(shì)值

步驟四：采用公式更新矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型ModelQ_m(g(ρ))，m＝m+1；

步驟五：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟二，如果否，轉(zhuǎn)到步驟六

步驟六：顯示局部區(qū)域滑坡發(fā)展趨勢(shì)，如圖5所示為滑坡區(qū)域檢測(cè)界面圖；

步驟七：評(píng)估結(jié)束。

實(shí)施例2：居民小區(qū)易滑坡區(qū)域

整個(gè)區(qū)域的檢測(cè)節(jié)點(diǎn)布局界面圖由圖6所示。

訓(xùn)練過程如下：

步驟S1：局部區(qū)域編號(hào)Re_m，1≤m≤M，M＝10為局部區(qū)域總數(shù)，監(jiān)測(cè)點(diǎn)編號(hào)Ds_n，1≤n≤N，1≤m≤N,N＝40為局部區(qū)域的監(jiān)測(cè)點(diǎn)總數(shù)，滑坡區(qū)域數(shù)據(jù)集為神經(jīng)網(wǎng)絡(luò)總層數(shù)為L(zhǎng)ayer＝13；

步驟S2：初始化神經(jīng)網(wǎng)絡(luò)當(dāng)前層為layer＝Layer,m＝1；

步驟S3：k＝m，局部區(qū)域Re_m的矩陣圖訓(xùn)練集S_m代表監(jiān)測(cè)點(diǎn)的傳感器數(shù)據(jù)集映射為k×k的矩陣圖訓(xùn)練集，局部區(qū)域Re_m監(jiān)測(cè)點(diǎn)傳感器數(shù)據(jù)集在訓(xùn)練過程中各個(gè)時(shí)間節(jié)點(diǎn)為t_π,1≤t_π≤T，T為該局部區(qū)域訓(xùn)練總時(shí)間。局部區(qū)域滑坡Re_m的滑坡概率為P_m；

步驟S4：初始化i＝I,j＝J,I＝4,J＝4；I為選取特征圖數(shù)量上限，J為選取數(shù)據(jù)維數(shù)上限；

步驟S5：在k×k的矩陣圖訓(xùn)練集中提取出i個(gè)j×j的局部矩陣圖訓(xùn)練集{map₁,map₂,...,map_i},layer層每個(gè)神經(jīng)元需要的權(quán)重參數(shù)個(gè)數(shù)為i×j，將所有權(quán)值初始化為一個(gè)隨機(jī)數(shù)w_ij＝Random(i,j)；

步驟S6：判斷當(dāng)前層是否為卷積層，如果是，轉(zhuǎn)到步驟S7，如果否，轉(zhuǎn)到步驟S8；

步驟S7：通過激活函數(shù)計(jì)算f(x)為激活函數(shù)，采用ArcTan函數(shù)f(x)＝tan^-1(x)，在這一步中傳入的參數(shù)x為為當(dāng)前層layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前層layer神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移，當(dāng)前層layer的神經(jīng)元與其對(duì)應(yīng)的局部區(qū)域矩陣圖連接，轉(zhuǎn)到步驟S9。

步驟S8：通過激活函數(shù)計(jì)算layer層輸出f(x)為激活函數(shù)，采用ArcTan函數(shù)f(x)＝tan^-1(x)，在這一步中傳入的參數(shù)x為為當(dāng)前層layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前層layer神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移β為當(dāng)前層layer的訓(xùn)練參數(shù)；

步驟S9：將當(dāng)前層下移一層，特征圖和數(shù)據(jù)維數(shù)各減一，layer＝layer-1，i＝i-1，j＝j(luò)-1；

步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉(zhuǎn)到步驟S5，如果否，轉(zhuǎn)到步驟S11。

步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個(gè)向量；得到局部區(qū)域Re_m對(duì)應(yīng)的監(jiān)督策略模型ModelC_m(x)；

步驟S12：使用隨機(jī)梯度下降法，更新監(jiān)督策略模型ModelC_m(f(σ))，σ為更新參數(shù)，f(σ)為最大似然函數(shù)，選取隨機(jī)梯度下降法的最大似然函數(shù)為：

步驟S13：訓(xùn)練layer層的遷移模型ModelQ_m(x)，完全復(fù)制監(jiān)督策略模型ModelC_m(f(σ))的數(shù)據(jù)結(jié)構(gòu)，作為遷移模型ModelQ_m(g(ρ))的初始化數(shù)據(jù)結(jié)構(gòu)，初始化參數(shù)ρ＝σ。

步驟S14：使用隨機(jī)梯度上升法更新參數(shù)ρ,更新遷移模型ModelQ_m(g(ρ))，選取隨機(jī)梯度上升法的最大似然函數(shù)為：

步驟S15：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟S3，如果否，轉(zhuǎn)到步驟S16。

步驟S16：訓(xùn)練結(jié)束

評(píng)估過程如下：

步驟一：初始化m＝1；

步驟二：計(jì)算局部區(qū)域Re_m的滑坡趨勢(shì)值ModelQ_m(g(ρ))為矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型，t為當(dāng)前時(shí)刻，反映當(dāng)前時(shí)刻Re_m區(qū)域的滑坡概率分布情況；

步驟三：計(jì)算局部區(qū)域滑坡發(fā)展趨勢(shì)值

步驟四：采用公式更新矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型ModelQ_m(g(ρ))，m＝m+1；

步驟五：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟二，如果否，轉(zhuǎn)到步驟六

步驟六：顯示局部區(qū)域滑坡發(fā)展趨勢(shì)，如圖7所示為滑坡區(qū)域檢測(cè)界面圖；

步驟七：評(píng)估結(jié)束。

實(shí)施例3：沿江地區(qū)易滑坡區(qū)域

整個(gè)區(qū)域的檢測(cè)節(jié)點(diǎn)布局界面圖由圖8所示。

訓(xùn)練過程如下：

步驟S1：局部區(qū)域編號(hào)Re_m，1≤m≤M，M＝18為局部區(qū)域總數(shù)，監(jiān)測(cè)點(diǎn)編號(hào)Ds_n，1≤n≤N，1≤m≤N,N＝45為局部區(qū)域的監(jiān)測(cè)點(diǎn)總數(shù)，滑坡區(qū)域數(shù)據(jù)集為神經(jīng)網(wǎng)絡(luò)總層數(shù)為L(zhǎng)ayer＝20；

步驟S2：初始化神經(jīng)網(wǎng)絡(luò)當(dāng)前層為layer＝Layer,m＝1；

步驟S3：k＝m，局部區(qū)域Re_m的矩陣圖訓(xùn)練集S_m代表監(jiān)測(cè)點(diǎn)的傳感器數(shù)據(jù)集映射為k×k的矩陣圖訓(xùn)練集，局部區(qū)域Re_m監(jiān)測(cè)點(diǎn)傳感器數(shù)據(jù)集在訓(xùn)練過程中各個(gè)時(shí)間節(jié)點(diǎn)為t_π,1≤t_π≤T，T為該局部區(qū)域訓(xùn)練總時(shí)間。局部區(qū)域滑坡Re_m的滑坡概率為P_m；

步驟S4：初始化i＝I,j＝J,I＝6,J＝5；I為選取特征圖數(shù)量上限，J為選取數(shù)據(jù)維數(shù)上限；

步驟S5：在k×k的矩陣圖訓(xùn)練集中提取出i個(gè)j×j的局部矩陣圖訓(xùn)練集{map₁,map₂,...,map_i},layer層每個(gè)神經(jīng)元需要的權(quán)重參數(shù)個(gè)數(shù)為i×j，將所有權(quán)值初始化為一個(gè)隨機(jī)數(shù)w_ij＝Random(i,j)；

步驟S6：判斷當(dāng)前層是否為卷積層，如果是，轉(zhuǎn)到步驟S7，如果否，轉(zhuǎn)到步驟S8；

步驟S7：通過激活函數(shù)計(jì)算f(x)為激活函數(shù)，采用SoftPlus函數(shù)f(x)＝log_e(1+e^x)，在這一步中傳入的參數(shù)x為為第layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前l(fā)ayer層神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移，當(dāng)前層layer的神經(jīng)元與其對(duì)應(yīng)的局部區(qū)域矩陣圖連接，轉(zhuǎn)到步驟S9。

步驟S8：通過激活函數(shù)計(jì)算當(dāng)前層layer輸出f(x)為激活函數(shù)，采用SoftPlus函數(shù)f(x)＝log_e(1+e^x)，在這一步中傳入的參數(shù)x為為當(dāng)前層layer-1層第i個(gè)特征圖map_i對(duì)應(yīng)的第j維數(shù)據(jù)，為當(dāng)前層layer神經(jīng)元對(duì)應(yīng)的權(quán)值，B^layer為當(dāng)前層layer的唯一偏移β為當(dāng)前層layer的訓(xùn)練參數(shù)；

步驟S9：將當(dāng)前層下移一層，特征圖和數(shù)據(jù)維數(shù)各減一，layer＝layer-1，i＝i-1，j＝j(luò)-1；

步驟S10：判斷是否layer≥1∩i≥1∩j≥1，如果是，轉(zhuǎn)到步驟S5，如果否，轉(zhuǎn)到步驟S11。

步驟S11：光柵化輸出向量將各層的輸出依次展開排列連接成一個(gè)向量；得到局部區(qū)域Re_m對(duì)應(yīng)的監(jiān)督策略模型ModelC_m(x)；

步驟S12：使用隨機(jī)梯度下降法，更新監(jiān)督策略模型ModelC_m(f(σ))，σ為更新參數(shù)，f(σ)為最大似然函數(shù)，選取隨機(jī)梯度下降法的最大似然函數(shù)為：

步驟S13：訓(xùn)練layer層的遷移模型ModelQ_m(x)，完全復(fù)制監(jiān)督策略模型ModelC_m(f(σ))的數(shù)據(jù)結(jié)構(gòu)，作為遷移模型ModelQ_m(g(ρ))的初始化數(shù)據(jù)結(jié)構(gòu)，初始化參數(shù)ρ＝σ。

步驟S14：使用隨機(jī)梯度上升法更新參數(shù)ρ,更新遷移模型ModelQ_m(g(ρ))，選取隨機(jī)梯度上升法的最大似然函數(shù)為：

步驟S15：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟S3，如果否，轉(zhuǎn)到步驟S16。

步驟S16：訓(xùn)練結(jié)束

評(píng)估過程如下：

步驟一：初始化m＝1；

步驟二：計(jì)算局部區(qū)域Re_m的滑坡趨勢(shì)值ModelQ_m(g(ρ))為矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型，t為當(dāng)前時(shí)刻，反映當(dāng)前時(shí)刻Re_m區(qū)域的滑坡概率分布情況；

步驟三：計(jì)算局部區(qū)域滑坡發(fā)展趨勢(shì)值

步驟四：采用公式更新矩陣圖訓(xùn)練集對(duì)應(yīng)的遷移模型ModelQ_m(g(ρ))，m＝m+1；

步驟五：判斷是否1≤m≤M，如果是，轉(zhuǎn)到步驟二，如果否，轉(zhuǎn)到步驟六

步驟六：顯示局部區(qū)域滑坡發(fā)展趨勢(shì)，如圖9所示為滑坡區(qū)域檢測(cè)界面圖；

步驟七：評(píng)估結(jié)束。