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：中国地质大学(武汉)

摘要：本发明提供了一种同震滑坡易发性预测CGBoost算法、设备及存储设备，根据同震滑坡孕灾环境与诱灾特征，构建同震滑坡影响因素集；基于GAT、简化注意和级联聚合提出了Crossgat；根据Crossgat与XGBoost集成CGBoost网络：耦合2个分支Crossgat和XGBoost集成学习，提取斜坡单元内部、斜坡单元之间、预测指标与易发性之间的关联表征；将同震滑坡影响因素集输入CGBoost网络，将关联特征进行自适应加权融合，得到丰富且区分度较高的高层特征，并转化为易发性概率，进行广域区域的易发性预测，并根据易发性概率对广域区域的易发性进行分级。一种同震滑坡易发性预测设备及存储设备，用于实现同震滑坡易发性预测CGBoost算法。本发明的有益效果是：应用于今后新发生的大地震事件，实现震后快速应急滑坡易发性预测。

主权项：1.一种同震滑坡易发性预测CGBoost方法，其特征在于：包括：S1：根据同震滑坡孕灾环境与诱灾特征，构建同震滑坡影响因素集；所述同震滑坡影响因素集包括地形、地质+0、环境、人类工程活动、降雨和地震6类因子的24个滑坡易发性预测指标；S2：基于图注意网络、简化注意权重和级联聚合提出了交叉图注意网络；步骤S2的具体过程为：S2.1：注意权重简化：首先分析传统GAT注意力机制,其定义如式1： 其中ai,j表示邻居节点j与目标节点i之间的注意权重，Ni表示目标节点i的邻居节点集，W表示用于线性变换的权重矩阵，a表示用于叠合特征放大或缩小的权重向量，LeakyReLU表示LeakyReLU非线性激活函数，hi和hj分别表示节点i和节点j的特征，hk表示节点i第k个邻居节点的特征；sum·表示求和函数；由映射特征的直接相加和Sigmoid激活函数非线性激活后得到的注意力权重更能稳定反映邻居节点与目标节点的相互关系，故新的注意权重定义如式2： S2.2：级联聚合：为了增强图神经网络的节点相互关系表征能力，使用两种注意聚合节点相互关系特征，如式3-4： 其中，W1和W2表示两个用于特征映射的权重矩阵，和表示两个不同的注意权重，而后将邻居节点特征按照注意权重进行级联聚合，如式5-6，其中和表示经过第p层Crossgat图神经网络中第一次和第二次聚合后的节点i的表征，表示第p-1层Crossgat表征后节点i的特征，这种级联聚合是使用注意权重聚合W2线性变换的映射特征而后使用注意权重聚合第一次聚合后的特征得到的增强后的相互关系特征可以反映两种映射特征下邻居节点j与目标节点i的相似关系： S2.3：Crossgat采用多头形式：为了稳定节点表征过程，使用残差特征进行特征融合： 其中，reshape表示矩阵的形状变换函数，C表示多头注意力中注意力头数，||表示将节点表征在特征维度进行叠加的函数，FNN表示一个前馈网络层；S3：根据交叉图注意网络与极限梯度提升树集成CGBoost网络：耦合2个分支Crossgat网络和XGBoost集成学习，提取斜坡单元内部、斜坡单元之间、预测指标与易发性之间的关联表征；然后将所述同震滑坡影响因素集输入CGBoost网络，将关联特征进行自适应加权融合，得到较为丰富且区分度较高的高层特征，并转化为易发性概率，进行广域区域的易发性预测，并根据自然断点法将广域区域的易发性分为5级：极低易发、低易发、中易发、高易发、极高易发；步骤S3的具体过程为：S3.1：在斜坡单元内像素相互关系表征方面，以斜坡单元b的像素集为节点集{0,1,Ln-1}；n＝Nb，Nb表示斜坡单元b的像素个数，像素集特征Hb＝{h0,h1Lhn-1}为节点集特征，hn-1表示斜坡单元内像素n-1的特征，像素集内像素特征欧式距离关系为边关系Ab，构建斜坡单元b的图数据GbHb,Ab，故该斜坡单元像素相互关系表征过程如式8： 其中是第p-1层Crossgat斜坡单元b中像素集的输出表征，被作为第p层Crossgat的输入特征，当p＝1时Crossgat的输入特征为斜坡单元b的原始节点特征矩阵，为斜坡单元b第p层Crossgat的输出表征；ELU·表示指数线性单元激活函数，LN·表示层归一化函数，crossgat·表示Crossgat图神经网络；采用readout层对经过L层Crossgat表征的斜坡单元b的像素相互关系特征进行归纳，从而得到斜坡单元像素相互关系的归纳表征 S3.2：在与其他斜坡单元之间相互关系表征方面，将斜坡单元b和其他斜坡单元组成斜坡单元集,各斜坡单元作为图节点，斜坡单元内像素特征均值作为斜坡单元的特征，假设斜坡单元为b，则以图数据GbHb,Ab的节点特征矩阵Hb的均值作为该斜坡单元b的特征hb,m：hb,m＝meanHb10故斜坡单元集的特征表示为Hm＝{h0,m,L,hb,m,L,hB-1,m},B表示斜坡单元集中斜坡单元的个数；利用斜坡单元b与其他斜坡单元特征的欧式距离评估与其他斜坡单元的相似性，选择top-k相似性的其他斜坡单元作为斜坡单元b的邻居节点建立边关系A'b，以斜坡单元集的特征Hm为节点特征，各斜坡单元之间的边关系A'为邻接关系构建图数据GHm,A'：GHm,A'＝knn_graphHm,k11其中，k＝B-1,A'b＝1-Eb,Eb为单位矩阵，readout·表示归纳表征层，mean·表示求均值函数，knn_gragh·表示利用k近邻筛选的边关系进行图构建的函数；为了更稳定的表征斜坡单元的相互关系，在高层Crossgat斜坡单元相互关系表征前p1，将p-1层的斜坡单元内像素相互关系的归纳表征与p-1层斜坡单元相互关系表征融合,因此斜坡单元之间相互关系表征过程如式12： 其中是第p-1层Crossgat输出的斜坡单元之间相互关系的表征，被作为第p层Crossgat的输入特征，当p＝1时Crossgat的输入特征为斜坡单元集的特征Hm；sgn·表示符号函数，表示第p-1层斜坡单元集中各斜坡单元内像素相互关系特征进行的归纳表征；为斜坡单元集第p层Crossgat的输出表征；故经过L层Crossgat表征后的斜坡单元相互关系特征为其中表示斜坡单元b的特征，简化表示为hb,cross；S3.3：将斜坡单元内各像素的因子众数特征作为斜坡单元的特征，应用XGBoost，建模这些因子与滑坡发生概率之间的非线性关系，斜坡单元特征计算过程如式13：hb,m'＝modeHb13其中mode是求众数函数，XGBoost滑坡易发性建模和预测过程如式14-15：y＝argmaxXGBoosthb,m'14h'b,m'＝XGBoost'hb,m'15其中式14被用来建模孕灾、诱灾因子与滑坡发生概率的关联，即训练XGBoost模型，式15被用来进行XGBoost模型训练后的滑坡易发性预测；XGBoost'表示使用训练集所有样本进行参数优化后的XGBoost,h'b,m'表示XGBoost建模的斜坡单元b的预测因子与滑坡发生的关系特征；S3.4：最终将斜坡单元b内像素之间相互关系特征、与其他斜坡单元之间相互关系特征、成灾因子与易发性非线性关系特征，这三种关系特征以0.5α,0.51-α和0.5的权重进行加权融合得到最终的易发性预测结果hb,LSM，α表示可学习的超参数。

全文数据：

权利要求：

百度查询： 中国地质大学(武汉) 同震滑坡易发性预测CGBoost方法