买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉长安大学申请的专利一种基于数据挖掘的滑坡预警方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115905818B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310142543.6，技术领域涉及：G06F18/10；该发明授权一种基于数据挖掘的滑坡预警方法是由王海英;李智;陶建宇;王晨光;敖杨设计研发完成，并于2023-02-21向国家知识产权局提交的专利申请。

本一种基于数据挖掘的滑坡预警方法在说明书摘要公布了：本发明公开了一种基于数据挖掘的滑坡预警方法，包括：获取目标位置的历史监测数据，将获取到的数据存储在数据库中；对获取得到的地表绝对位移数据进行变分模态分解，得到有限个固有模态分量；对分解得到的每一个固有模态分量进行小波阈值降噪，最后将降噪后的分量进行重构得到降噪重构后的位移数据；利用长短期记忆神经网络的方法对降噪处理过后的移位数据进行位移预测；构建深度置信神经网络模型，并利用滑坡位移预测数据对是否滑坡进行预警。本发明的方法，解决了现有技术中对滑坡位移预警中预测精度差的问题，从而实现一种更为综合、科学的预警方法。

本发明授权一种基于数据挖掘的滑坡预警方法在权利要求书中公布了：1.一种基于数据挖掘的滑坡预警方法，其特征在于，包括： 步骤1:获取目标位置的历史监测数据，将获取到的数据存储在数据库中； 步骤2:对获取得到的地表绝对位移数据进行变分模态分解，得到有限个固有模态分量； 步骤3:对分解得到的每一个固有模态分量进行小波阈值降噪，最后将降噪后的分量进行重构得到降噪重构后的位移数据； 步骤4:利用长短期记忆神经网络的方法对降噪处理过后的移位数据进行位移预测； 步骤5:构建深度置信神经网络模型，并利用滑坡位移预测数据对是否滑坡进行预警； 所述步骤1中，获取目标位置的历史监测数据，将获取到的数据存储在数据库中包括以下方面：坡度、坡形、1小时降雨量和24小时降雨量以及地表绝对位移监测数据、裂缝仪监测位移等6个致灾因子作为研究数据；并采集得到的信息数据通过无线网络技术传递到远程服务器，并存储在数据库中； 所述步骤2中对获时间序列滑坡位移数据进行变分模态分解，得到有限个固有模态分量；对位移信号的分解最主要是确定模态分解个数K值的大小，流程如下： 步骤21:残余误差分析 假定有不同的k值，输入滑坡监测数据作为原始输入序列，进行VMD分解重构；通过求解每组重构序列与原始输入序列的均方根误差，衡量重构序列与原始序列之间的偏差： ； 步骤22：ADF稳定分析，依据已分析序列的ADF值选取使分量或顺序非平稳性可能性最小化的K值； 步骤23：分析不同K值下的固有模态分量及残差与原始输入序列之间的相关系数，最终确定K值的大小；将位移数据输入VMD模型中得到K个固有模态分量数据； 所述步骤3中对分解得到的每一个IMF进行小波阈值降噪，最后将降噪后的分量进行重构得到重构后的位移数据，具体的流程如下： 步骤31:对于滑坡位移监测数据优先选用紧支集双正交小波作为小波基函数，当分解层数为3层时处理效果最好，其次选用小波软阈值的方法进行降噪处理，阈值规则选用小波软阈值RigorousSURE； 步骤32:利用db3小波对IMF分量进行小波变换得到与分解层数对应一组小波系数； 步骤33:把分解得到的小波系数与选用的阈值规则进行对比，如果小波系数大于阈值，则认为这个小波系数主要是由有用信号构成的，保留这个小波系数，反之，则认为这个小波系数主要是由噪声信号构成的，舍去这个小波系数； 步骤34:对保留下来的信号进行重构，得到降噪后的IMF分量； 步骤35:对每一个IMF分量进行步骤2-4的操作，直到所有的IMF分量都进行了小波阈值降噪操作； 步骤36:最后对去除噪声后的IMF分量进行重构，得到降噪重构后的滑坡位移数据信号； 所述步骤4中，利用长短期时间记忆神经网络的方法对降噪处理过后的移位数据进行位移预测，具体流程如下： 步骤41:建立LSTM滑坡位移时间序列预测模型，模型有一个输入层、两个隐藏层和一个输出层组成； 步骤42:数据分割:将降噪重构后的位移数据分成80%的训练集和20%的验证集；将数据导入LSTM预测模型中； 步骤43:对超参数的确定：通过经验方程确定神经网络隐藏层节点数： ； 式中，是输入层神经元个数；是输出层神经元个数，是训练集神经元个数,为2~10之间的整数； 步骤44:通过经验公式得到的神经元数量还需要通过不断的试验才能得到更为精确的效果;为了直观比较不同参数下，模型预测结果的好坏，引入平均误差、平均误差百分比、均方根误差进行不同结果比较： ； ； ； 式中表示第i组预测值，表示第i组样本中第m+1时刻的真实值，L为一次迭代使用的样本数目； 步骤45:步骤5:对参数不断的进行调整得到最佳的LSTM模型参数； 所述步骤5中，利用历史监测数据构建深度置信网络模型再将滑坡位移预测数据输入模型中对是否滑坡进行预警，其模型结构为； DBN模型的结构为：依次连接的3个RBM网络，1个BP网络和1个Softmax分类器； 输入为：监测到的1小时降雨量和24小时降雨量、坡体的坡度和坡形、裂缝仪监测位移、地表绝对位移以及对应的预警类别； 输出为Softmax分类器的预警类别：一级预警，二级预警，三级预警，不预警4种状态； 在DBN的无监督预训练阶段引入Dropout算法，利用Dropout技术进行正则化处理：在预训练阶段，在神经网络输入和输出保持不变的前提下，使用一定的概率对隐藏层节点的权重进行随机采用，每一次进行调整，一部分神经元不参与正向传播训练过程；特别的将Dropout的概率设置为50%； 所述步骤5中，利用深度置信网络综合滑坡历史监测数据，边坡支护信息数据以及滑坡位移预测数据对是否滑坡进行预警，其利用深度置信网络的具体实现流程为： 步骤51:利用确定性系数用来计算滑坡灾害因子各影响因素的系数，再利用Mapminmax归一化方法将滑坡数据归一化到[0,1]区间内； 步骤52:将收集处理后的多组历史数据划分训练样本和测试样本； 步骤53:将数据输入模型中，采用无监督的贪心算法，初始化受限玻尔兹曼机单元网络模型各层之间的链接权重及偏置值对深度置信网络进行预训练；为了防止神经节点间产生依懒性并发生过拟合现象，在可见层中引入50%的dropout； 步骤54:对隐含层选取激活函数，执行吉布斯采样法及对比散度算法对每层进行多次迭代预训练对模型参数更新，得到深度置信网络模型； 步骤55：对预训练后的深度置信网络，采用BP神经网络算法及梯度下降方法自顶向下对其模型参数做进一步微调优化； 步骤56：将DBN的输出通过Softmax分类器判别预警的类型；将测试样本带入训练模型中进行验证，最终得到最优的预警模型； 步骤57：在最优模型中输入滑坡位移预测数据，通过Softmax分类器得到滑坡预警的等级。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长安大学，其通讯地址为：710061 陕西省西安市南二环路中段；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。