一种基于自编码单分类模型的泥石流监测预警方法与流程

技术特征：
1.一种基于自编码单分类模型的泥石流监测预警方法，其特征在于，包括以下步骤：(1)、特征提取；(1.1)、在采集周期t内，通过传感器连续采集多组某复杂山区在某正常无灾害时间段下的特征数据作为训练集：其中，表示用于训练的第i组特征数据，n表示采集的特征数据组数；(1.2)、在采集周期t内，通过传感器连续采集多组某复杂山区在另一正常无灾害时间段下的特征数据作为测试集：其中，表示用于测试的第j组特征数据，m表示采集的特征数据组数；(2)、数据预处理；(2.1)、转化为波形像素特征；在d
train
与d
test
中，分别画出d
train
与d
test
中特征数据x随一次次采样的波形变化图；再从第一次采样起，每间隔p次采样就将波形变化图拆分为一个波形变化子图；利用python中的convert函数对每个波形变化子图进行灰度化处理，再利用python中的resize函数将波形像素设置为32*32，然后利用python中的joblib.dump函数将波形的png格式转化为1024*1维的pkl数据格式，最后利用python中的sklearn.preprocessing.minmaxscaler函数进行归一化处理，处理完成后的训练集记为：其中，测试集记为：其中，(2.2)、对进行批次划分；在中，从第一个数据起，每q个波形数据划分为一个批次，处理完成后有个训练批次，其中，第u个个批次表示为：其中，u＝1,2,
…
,u；(3)、构建自编码单分类模型；(3.1)、构建自编码器架构的神经网络；神经网络的编码由一层含1024个节点的输入层、一层含512个节点的隐藏层、一层含256个节点的编码输出层组成；与编码对称的解码是由一层含256个节点的输入层、一层含512个节点的隐藏层、一层含1024个节点的解码输出层构成；
记编码参数θ1＝{w1,b1}，其中，编码权值矩阵偏置向量上标1指编码输入层与隐藏层之间的权值或偏置，上标2指编码隐藏层与输出层之间的权重或偏置；记解码参数θ2＝{w2,b2}，其中，解码权值矩阵偏置向量为其中上标2指解码输入层与隐藏层之间的权值或偏置，上标1指解码隐藏层与输出层之间的权重或偏置；(3.2)、自编码的正向传播；在自编码参数θ1下，记编码的输入层的输入为含r个特征向量x
k
列排组成的特征矩阵x＝[x1,x2,
…
,x
k
,
…
,x
r
]，其中，第k个特征向量，表示实数域；编码的正向传播为：编码的正向传播为：其中，sigmoid激活函数g(x)＝1/(1 e
‑
x
)，ones(1,r)表示全为1的维向量，表示编码隐藏层512个维的节点分量行排组成的矩阵，表示输出层256个个维的节点分量行排组成的矩阵；在自编码参数θ2下，将编码输出层h2作为解码的输入层，解码的正向传播为：作为解码的输入层，解码的正向传播为：作为解码的输入层，解码的正向传播为：其中，表示解码隐藏层512个维的节点分量行排组成的矩阵，表示解码输入层256个个维的节点分量行排组成的矩阵；表示解码输出层r个维的输出向量x'
k
列排组成的矩阵；(3.3)、以输入的x作为目标构建损失函数及优化目标函数；构建损失函数：其中，||
·
||2表示求2范数；构建优化目标函数：其中，表示得优化函数l(x,x')最小时对应的最优自编码参数；(4)、训练自编码单分类模型；(4.1)、通过python中的tf.random_normal函数初始化参数θ1、θ2为：为：(4.2)、设置最大循环轮数k，并初始化当前循环轮数κ＝1，κ＝1,2,
…
,k；
在每一轮循环中，设置最大迭代次数等于最大训练批次u，并初始化当前迭代次数u＝1，u＝1,2,
…
,u；(4.3)、在第κ轮循环中，利用第u个批次的训练数据训练自编码单分类模型；(4.3.1)、将第u个批次的训练数据作为特征矩阵x；(4.3.2)、将特征征矩阵x输入至自编码单分类模型进行自编码的正向传播；(4.3.3)、以构建的优化目标函数为目标，利用梯度下降法对构建的损失函数进行求解，计算出第u迭代后的损失函数值l
u
以及并将自编码参数更新为(4.3.4)、判断当前迭代次数u是否达到循环迭代次数u，如果未达到，则将当前迭代次数u加1，再返回步骤(4.3.1)；否则，此本轮循环迭代停止，得到第κ轮迭代后的损失函数值及自编码参数，再进入步骤(4.3.5)；(4.3.5)、在第κ轮迭代后，比较第κ
‑
ρ轮至κ轮循环迭代后的损失函数值是否收敛，如果收敛，则迭代停止，得到训练完成的自编码单分类模型，并跳转至步骤(5)；否则，进入步骤(4.3.6)；(4.3.6)、判断当前循环轮数κ是否达到最大循环轮数k，如果未达到，则将当前循环轮数κ加1，并重置当前迭代次数u＝1，再返回步骤(4.3.1)；否则，迭代停止，得到训练完成的自编码单分类模型，再进入步骤(5)；(5)、通过测试集获取异常判断的阙值；将测试集作为特征矩阵x，再输入至训练完成的自编码单分类模型，执行步骤(3.2)的正向传播；同样以构建的优化目标函数为目标，利用梯度下降法对构建的损失函数进行求解，计算损失函数值最后将λ倍的损失函数值作为异常判断的阙值(6)、泥石流实时监测预警(6.1)、在采集周期t内，通过传感器连续采集多组某复杂山区在某时间段下的特征数据，记为x；(6.2)、按照步骤(2.1)所述方法处理后得到一个波形像素特征，记为(6.3)、将作为特征矩阵x，并输入至训练完成的自编码单分类模型，先执行步骤(3.2)的正向传播，再通过步骤(3.3)所述方法计算代价函数(6.4)、将与异常判断阙值q进行比较，如果则判定此时为异常状态，并进行泥石流灾害告警；否则，定此时为正常状态，即无泥石流灾害风险。

技术总结
本发明公开了一种基于自编码单分类模型的泥石流监测预警方法，通过传感器连续采集多组某复杂山区在某正常无灾害时间段下的特征数据，分别构成训练集与测试集；再将训练集与测试集进行预处理，将处理后的训练集输入至构建的自编码单分类模型并训练，然后将测试集输入至训练完成的自编码单分类模型，进而确定异常判断阙值；最后结合异常判断阙值，通过训练完成的自编码单分类模型进行泥石流监测预警。完成的自编码单分类模型进行泥石流监测预警。完成的自编码单分类模型进行泥石流监测预警。


技术研发人员：盛瀚民 周圆 邵晋梁 白利兵 周权 米金华
受保护的技术使用者：电子科技大学
技术研发日：2021.05.24
技术公布日：2021/10/8