论文分享—— Prediction of Landslide Risk Based on Modified GRNN Algorithm

论文分享—— Prediction of Landslide Risk Based on Modified Generalized Regression Neural Network Algorithm

概要

论文题目：《Prediction of Landslide Risk Based on Modified Generalized Regression Neural Network Algorithm》
论文代码：改进GRNN用于滑坡稳定度预测

整体架构

-Introduction （引言）

• Landslide Monitor Platform （滑坡监测平台）
• Modified Generalized Regression Neural Network Algorithm （算法叙述）
• Experimental Data and Predictive Performance Analysis （实验分析）
• Conclusion （总结）

摘要

山体滑坡作为一种自然灾害，造成了不可估量的损失。采用粒子群优化算法（PSO）和遗传算法（GA）对广义回归神经网络（GRNN）的平滑因子进行了修正，提高了GRNN的预测效率。通过建立滑坡监测平台，将降雨、浅层土壤含水量、深层土壤含水量、土壤滑移应力和地表位移作为滑坡风险分析的5个滑坡因素，并将修正后的滑坡模型应用于滑坡数据的处理。将这两种模型用于滑坡风险预测，并与BP、Elman神经网络和RBF神经网络模型的滑坡预测进行了比较。结果表明，改进后的GRNN滑坡模型比BP神经网络模型、Elman神经网络模型和径向基函数神经网络模型具有更好的滑坡风险预测效果，为工程实践提供了参考。

数据采集平台

采集传感数据包括：降雨量、土壤含水率（浅层和深层）、地表位移、土压力，以上数据能表征发生滑坡时的地表和土壤的变化情况。

算法叙述

在GRNN训练过程中，平滑因子往往很难确定。针对广义回归神经网络中平滑因子难以求值的困难，基于GRNN模型构建了PSO算法的测试样本，并将测试误差作为适应度函数。通过PSO算法对GRNN的平滑因子进行优化，得到模型输出值的误差。
与上述改进算法一样，为了定位平滑因子的最优尺寸，我们构建了一种基于遗传算法的GRNN平滑因子优化方法，并将其应用于滑坡模型中。请参考本节。3.3对于具体的遗传算法步骤。GA-GRNN的算法方框图如图3所示。首先是优化GRNN的平滑因子，以实现模型输出值的误差。将得到的最优平滑因子替换为原始的GRNN算法，形成一个改进的GRNN算法。改进后的算法具有相应的特点。首先，平滑因子的选择是尽可能最优。其次，对算法的计算速度没有很大的影响。这比传统的基于经验的GRNN来选择平滑因子更科学。

实验分析

通过实验，将采集到的地表位移、土壤滑移应力、降雨、降水、深层含水量和浅水含水量等传感器数据作为输入，以滑坡的稳定裕度作为输出。滑坡稳定裕度是根据熵权法计算得到的。
请注意，在上述数据中，当稳定裕度小于0.2时，它是绝对安全的。当稳定裕度大于0.7时，发生滑坡的风险较高。当滑坡的稳定裕度在0.2~0.7之间时，滑坡发生的风险介于两种极端情况之间。这是我们专注于预测的关键时间间隔。通过表1中的样本数据，随机抽取100组样本数据对GRNN进行训练。首先从输入之间的重叠信息中剔除样本中的输入，并对输入变量进行归一化。

从表2可以看出，神经网络预测的滑坡稳定裕度与实际滑坡稳定裕度之间的RMSE最小，这表明在滑坡风险预测的训练模型中，误差最小。经过神经网络模型训练后的GRNN神经网络有助于预测滑坡风险的发生概率（图4）。

小结

提出了改进的GRNN滑坡模型，利用PSO和遗传算法得到了GRNN优化的平滑因子。通过对PSO算法的最小值的快速搜索和刺激选择性搜索，得到了最合适的GRNN平滑因子，并将两种改进的GRNN算法用于滑坡灾害的预测和评价。与BP、Elman和RBF的滑坡风险预测结果相比，改进后的GRNN模型对实际滑坡风险预测具有较高的预测效果。需要指出的是，GA-GRNN滑坡模型略优于PSO-GRNN算法。滑坡风险预测的未来方向是研究基于大数据的深度学习模型，这对高精度滑坡风险预测具有重要意义。