[发明专利]一种用于判定地震发生时边坡崩塌落石距离的人工智能方法

说明书

本公开涉及用于判定地震发生时边坡崩塌落石距离的人工智能方法和装置。在根据本公开的方法中，首先采集样本数据，然后利用DWKNN算法通过采集的样本数据对落石距离进行预测，其中，所述DWKNN算法中的权重为指数形式。根据本公开的方案，能够对边坡崩塌落石距离提供鲁棒性较好的，适用于小样本的预测。而且，根据本公开的实施例，将KNN算法步骤中的权重计算方法改进为指数形式，可以很大程度提高其预测结果的准确性。

技术领域

本公开涉及地震评估领域，尤其涉及用于判定地震发生时边坡崩塌落石距离的人工智能方法。

背景技术

落石水平运动距离是落石沿坡面下落后纵向所达范围，是构成落石灾害威胁区域的一部分。它反映了落石纵向水平威胁范围大小，常被用来判断落石防治与否的依据之一，也代表着落石运动动能，威胁能力大小，同时是落石防治工程设计中需要明确的一个主要参数。

对于边坡的崩塌破坏形式，主要表现在边坡顶部的岩土体在长时间的风化作用下，失去了与边坡整体的粘结能力，被分割成不同大小、不同形状的块体，在地震作用下极易发生整体抛出现象，导致落石的发生，严重威胁着边坡底部的交通线路以及人民的生命财产安全。图1解释了落石对坡角位置的构(建)筑物的影响范围。

传统上，存在用于判定地震发生时边坡崩塌落石距离的两种方法，支持向量机(SVM)算法可以用于预测崩塌落石距离，但是多于多标签预测问题，性能不佳。KNN算法则不需要估计参数和训练训练集，适用于大样本量的预测。然而，对于KNN算法来说，需要计算每个样本与训练集中所有样本的相似度。当训练样本太多时，计算复杂度高，不利于快速预测。目前，需要对KNN算法进行预测精度和预测效率方面的改进。

发明内容

本公开通过考虑影响落石距离的不同因素，设定落石的样本数量，采用振动台试验模拟不同类型地震作用下落石的距离范围，采用DWKNN方法进行学习，建立可以判定地震作用下落石距离范围的方法，从而用其实现未来地震作用下落石的崩塌滑动距离范围的提前判定。

根据本公开的一个方面，提供一种用于判定地震发生时边坡崩塌落石距离的人工智能方法，其特征在于，包括以下步骤：采集样本数据；以及利用DWKNN算法通过采集的样本数据对落石距离进行预测，其中，所述DWKNN算法中的权重为并且其中，并且k≥i。

优选地，采集样本的步骤包括：设定边坡的高度为H，以0.1H长度区间作为一个基本数值，分别从坡脚开始计算，间隔0.1H划分为一个区间，进行采样。

优选地，训练样本集合中的类分布是平衡的。

优选地，在样本数据集(x_i,c_i)上寻找关于待预测样本的k近邻子集待预测样本被分类为k近邻子集T中出现最多的那个类别，其中c_i是样本x_i的所属类别，由以下公式表示：

若

则x∈c_t。

优选地，用x_i,i＝1,2,...,n表示第i个落石样本，采用崩塌落石距离最为敏感的影响因子作为该样本的特征，x_i＝(x_i1,x_i2,...,x_im)，其中x_ij表示第i个样本的j个影响因子，x_ij是进行归一化处理后的因子值，y_i,i＝1,2,...,n表示样本崩塌滑动后落入的不同区间范围，所述DWKNN算法的样本集为：

优选地，根据所述DWKNN算法提出的边坡崩塌落石距离预测模型为：