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！

申请/专利权人：南京信息工程大学

摘要：本发明公开了一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，将影响滑坡体位移的参数视为输入变量，主要包括降水量、沉降量、深部位移量以及裂隙，将所述数据输入到梯度增强多元回归模型进行滑坡表面位移量预测，利用多个弱学习器对监测数据进行多轮训练，拟合先前累加模型的损失函数的负梯度，使加上该弱学习器后的累积模型损失往负梯度的方向减少，提高预测精度，并且与贝叶斯岭回归模型、弹性网络回归模型和支持向量机回归模型进行对比，对梯度增强模型的优越性提供依据。本发明将各种不同的数据信息进行综合，解决滑坡预测过程中传统模型存在的考虑影响因素单一、长期预测精度低等问题。

主权项：1.一种基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法，其特征在于，包括以下步骤：1整合m组不同滑坡体区域附近的监测数据，获取每组监测数据的自身参数信息及滑坡表面位移量，并对监测数据进行预处理；2考虑不同变量的影响，不断改变影响因子个数作为自变量，计算不同影响因子个数下贝叶斯岭回归模型、弹性网络回归模型、支持向量机回归模型及梯度增强多元回归模型四种模型的方差、平均绝对误差和均方差，从而确定各模型性能；3将步骤1所述监测数据作为训练集导入给梯度增强多元回归算法，并初始化梯度增强多元回归模型，建立初始弱学习器，通过不断迭代到梯度增强多元回归模型进行训练，进行滑坡表面位移量预测；4根据上述结果，确定梯度增强多元回归模型精度最高，利用梯度增强多元回归模型进行结果预测，得到最终的滑坡表面位移量预测；所述步骤3实现过程如下：建立初始弱学习器为： 式中，式中F0x为训练集样本的初始化模型；Lyi,c为损失函数，用于判断每轮迭代产生的位移量损失近似值；yi为样本数据的表面位移量；m为样本个数；c为拟合叶子节点最佳输出值；对迭代轮数t＝1,2,3,…,T，有：使用损失函数的负梯度在当前模型上的值近似代替残差rti： 式中，rti为第t轮的第i个样本的损失函数的负梯度；Lyi,Fxi为损失函数；xi为训练集中第i个样本的输入值；yi为训练集中第i个样本的输出值；Fxi为经过上一轮学习器预测后的预测结果；Ft-1x为第t-1轮迭代后的学习器；用负梯度拟合弱学习器F0x，建立位移量预测的重点区域Rtjj＝1,2,…,J，则最佳位移量拟合值： 式中，j为叶子节点个数；Ft-1x为第t-1轮迭代后的学习器；c为拟合叶子节点最佳输出值；则第t轮更新的强学习器为： 式中，Ft-1x为第t-1轮迭代后的学习器；Ix∈Rtj为指示函数；获得表面位移量预测函数模型为：

全文数据：

权利要求：

百度查询： 南京信息工程大学 基于梯度增强多元回归模型的北斗监测滑坡位移量预测方法