[发明专利]一种基于图卷积神经网络的滑坡体状态判断方法及系统

权利要求书

1.一种基于图卷积神经网络的滑坡体状态判断方法，其特征在于，包括：

特征提取：将采集到的降雨量数据、地表位移数据、深部位移数据、土壤含水率数据、次声数据共五组数据经过预处理后，分别输入到不同的图卷积神经网络中进行训练，得到五组数据对应的特征向量；

特征融合：将所述特征提取输出的五组特征向量进行融合，得到表征滑坡体状态的整体特征向量；

特征分类：根据所述特征融合输出的整体特征向量，计算滑坡体处于每种状态下的概率，然后根据每种状态下的概率判断滑坡体的状态；

其中，所述特征提取主要由图卷积神经网络完成，图卷积神经网络进行特征提取过程包括利用n个图卷积层得到邻接矩阵，其中，n个图卷积层中每一层图卷积层的输出均为下一层图卷积层的输入，第l层的输出H_l计算公式为：其中为σ激活函数，A为同种类型所有检测设备的空间关系所对应图的邻接矩阵，D为对应邻接矩阵A的度矩阵，H_l-1为第(l-1)层的输出，W_l为第l层的权重参数矩阵，通过网络训练得到，所述得到邻接矩阵具体方法是：

同类型不同位置的两个检测设备i和j，在相同的历史时段T具有的历史数据分别为DATA_i和DATA_j，它们的皮尔森系数S_ij为：根据皮尔森系数S_ij求得邻接矩阵A_ij为：其中ε为超参阈值，其中，所述检测设备包括检测降雨量、地表位移、土壤含水率、深部位移和次声数据的设备。

2.根据权利要求1所述的滑坡体状态判断方法，其特征在于，所述降雨量数据由雨量计采集、地表位移数据由GNSS接收机采集、深部位移数据由测斜仪采集、土壤含水率数据由温湿度传感器采集、次声数据由次声仪采集。

3.根据权利要求1所述的滑坡体状态判断方法，其特征在于，所述特征融合得到整体特征向量的方法是哈达玛乘积融合方法，具体为：Z＝Z_a⊙W_a+Z_b⊙W_b+Z_c⊙W_c+Z_d⊙W_d+Z_e⊙W_e，其中，Z为整体特征向量，Z_a、Z_b、Z_c、Z_d、Z_e分别为特征提取阶段得到的五组数据对应的特征向量，⊙为哈达玛乘积运算，W_a、W_b、W_c、W_d、W_e分别为特征提取阶段得到的五组数据跟随图卷积神经网络一同训练的参数矩阵。

4.根据权利要求1所述的滑坡体状态判断方法，其特征在于，所述特征分类具体方法为：其中，S_i表示滑坡体第i个状态的概率值，j表示所述特征融合输出的整体特征向量的维度，求得S_i最大所对应的状态即判定为滑坡体当前的状态。