[发明专利]一种基于GPR的危岩落石运移距离预测方法及装置

说明书

本发明是一种基于GPR的危岩落石运移距离预测方法及装置。该方法及装置可对少量的训练样本进行学习，通过对数似然极大化获得最优的超参数，从而获取危岩落石运移距离的预测结果。研究结果表明：危岩落石运移距离预测的高斯过程回归(Gaussian Process Regression，GPR)机器学习模型是可行的，其预测方法具有预测精度高、适应性强、参数自适应等优点。

技术领域

本发明涉及一种基于GPR的危岩落石运移距离的预测方法及装置，属于危岩落石预测和机器学习领域。

背景技术

随着我国对山区的建设和发展，山区的道路、桥梁等工程的修建数量日渐增多。山区复杂的地形地貌状况不仅在施工时会带来安全隐患，也会在日后地震、强降雨等灾害天气的影响下产生危岩落石等灾害，危害人们的安全。

危岩崩塌已成为我国山区3大地质灾害之一，也是我国山地开发和建设的重要制约因素之一。落石滚落是山崩最简单、最常见的形式。山体会在重力、天气等内外界因素影响下持续发生大小不一的落石。

如何对危岩落石运移距离进行智能预测成为了一个重要的课题。危岩落石运移是复杂的非线性问题，同时带有很大的不确定性，这导致传统的研究方法难以考虑不确定性因素的影响，使得计算结果难以达到满意的效果。近些年来，随着计算机技术的发展，基于机器学习的算法在非线性回归等领域取得巨大的进展，针对危岩落石运移距离问题，众多学者亦逐渐开始采用不确定性方法来研究。本发明引入一种新的机器学习方法，应用于危岩运移距离预测。

高斯过程回归作为一种基于统计学理论的新型机器学习方法，提供了一个实用型的、概率型的核机器学习方法，成熟的理论基础使得高斯过程回归成为近几年来应用广泛的概率型机器学习方法，除传统机器学习方法的优点外，它还具有易于实现、可自适应获取超参数等优点。

发明内容

本发明提供了一种基于GPR的危岩落石运移距离的预测方法，通过收集的试验数据进行建模，从而有效的预测危岩落石运移距离。这是一种在数据处理方面精度高，程序简单的危岩落石运移距离预测的方法。

为了实现上述目的，本发明采用了如下的技术方案：

高斯过程回归的性质由均值函数和协方差函数决定，其表达式如下所示：

f(x)～GP(m(x),k(x,x')) (1)

其中：

x,x'∈R^d为任意随机变量

在实际计算中，输出的矢量受噪声影响，所以对于回归问题，使用如下模型：

y＝f(X)+ε (3)

其中x为输入向量，f(X)为回归函数值，y为目标观测值，ε为噪声且符合高斯分布。

根据贝叶斯学习理论，进一步假设可得观测值y的先验分布：

其中：K(X,X)为n×n阶对称正定的协方差矩阵，矩阵中的矩阵元素k_ij＝k(x_i,x_j)用来度量x_i和x_j之间的相关性：

步骤1：根据危岩落石试验的运移距离数据资料确定模型学习样本(x_i,y_i)；x_i是输入向量，代表影响运移距离的影响因素(i＝1、2……n)；y_i是输出矢量，代表落石运移距离。

危岩运移距离的影响因素众多，对大量的研究数据进行分析、综合对比，选取对运移距离影响较大的几项指标作为主要的影响因素。根据不同的影响因素，确定不同的学习样本。