公开/公告号CN112836937A
专利类型发明专利
公开/公告日2021-05-25
原文格式PDF
申请/专利权人 合肥中科加点智能科技有限公司;安徽恒科信息技术有限公司;
申请/专利号CN202110032422.7
申请日2021-01-11
分类号G06Q10/06(20120101);G06Q50/26(20120101);G06N3/08(20060101);
代理机构34131 合肥国和专利代理事务所(普通合伙);
代理人张祥骞
地址 230000 安徽省合肥市蜀山区习友路2666号合肥创新院2号楼
入库时间 2023-06-19 11:05:16
技术领域
本发明涉及人工智能数据处理技术领域,具体来说是基于熵权与BP神经网络技术的洪涝灾害损失评估方法。
背景技术
洪涝灾害经常带来巨大的损失,根据有关单位的统计,各种自然灾害损失中有60%是洪灾的直接经济损失。每年受洪灾影响的人口平均为1.5亿至2亿,受灾农作物的受灾面积约为2亿亩,受灾面积为1-1.5亿亩,直接经济损失约为1000亿。为了提出有效的应急管理对策,应快速评估洪涝灾害所造成的综合损失。
目前,现有技术中缺少对洪涝灾害综合损失的评估方法,以及缺少与方法相对应的评估系统,严重限制了防灾和风险管理的工作。同时,洪涝灾害所涉及的数据量、数据面较为庞大,难以形成系统性分析。因此,如何利用大数据分析技术,对洪涝灾害损失的客观评估已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中尚无基于机器学习对洪涝灾害损失进行大数据分析的缺陷,提供一种基于熵权与BP神经网络技术的洪涝灾害损失评估方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于熵权与BP神经网络技术的洪涝灾害损失评估方法,包括以下步骤:
11)基础数据的获取和预处理:获取洪涝灾害基础层数据并进行归一化预处理,洪涝灾害基础层数据包括绝对灾情指标数据和相对灾情指标数据;
12)基础层初始指数数据的计算:对归一化后基础层的绝对灾情指标数据和相对灾情指标数据进行熵权计算,获得基础层指标数据初始权重,其包括绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重,并得到基础层的初始指数数据,其包括绝对初始指数数据和相对初始指数数据;
13)基础层BP神经网络的设置与训练:利用归一化处理后洪涝灾害基础层的绝对灾情指标数据、相对灾情指标数据、绝对初始指数数据、相对初始指数数据作为训练样本来训练BP神经网络,得到训练后的基础层BP神经网络,并输出基础层的最终指数数据,其包括绝对最终指数数据和相对最终指数数据;
14)综合层数据的获取:获取综合层的绝对灾情指标数据和相对灾情指标数据,综合层的绝对灾情指标数为基础层的绝对最终指数数据,综合层的相对灾情指标数据为基础层的相对最终指数数据;
15)综合层初始指数数据的计算:对综合层的绝对灾情指标数据、相对灾情指标数据进行熵权计算,获得综合层指标数据初始权重,其包括绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重,并得到综合层的初始指数数据,其包括绝对初始指数数据和相对初始指数数据;
16)综合层BP神经网络的设置与训练:利用综合层指标数据初始权重和综合层的初始指数数据作为训练样本来训练综合层BP神经网络,得到训练后的综合层BP神经网络;并输出综合层的最终指数数据,其包括绝对最终指数数据和相对最终指数数据;
17)待分析洪涝灾害损失评估结果的获得:
171)基础层洪涝灾害损失评估结果的获得:将目标城市基础层待分析数据进行归一化处理,并输入所述训练后的基础层BP神经网络;
172)将目标城市基础层BP神经网络的输出送入训练后的综合层BP神经网络,得到目标城市洪涝灾害损失结果。
所述基础层的绝对灾情指标数据的初始权重的计算包括以下步骤:
21)构建洪涝灾害基础层的绝对灾情判断矩阵,其表达式如下:
X=(x
其中,m为洪涝灾害基础层的绝对灾情指标数据,n为受灾城市样本数目,x
22)根据绝对灾情判断矩阵,计算洪涝灾害基础层的绝对灾情信息熵D
其中,f
23)根据信息熵D
24)进行洪涝灾害基础层的初始指数数据的计算。
所述基础层BP神经网络的设置与训练包括以下步骤:
31)创建初始信息矩阵,其表达式如下:
X=(x
其中,n为受灾城市样本数目,m为洪涝灾害基础层的绝对灾情指标数据,x
32)根据初始信息矩阵,配置BP神经网络:选用三层BP神经网络结构,其中,首尾两部分分别称为输入层和输出层,中间的部分称为隐含层;
BP神经网络的输入层包含m个节点,对应训练样本的m个洪涝灾害基础层的绝对灾情指标,
BP神经网络的输入层的输入向量为X=(x
隐含层包括k个节点,BP神经网络的输入层的输出向量为Y=(y
输入层到隐含层之间的连接权重用矩阵V表示,用以表示各节点联系的紧密程度,V=(v
BP神经网络的输入层的输出
BP神经网络的输出层包括一个节点,对应的输出向量为O=(O
隐含层到输出层之间的连接权重向量Z=(z
洪涝灾害基础层的绝对初始指数数据D=(d
33)根据所述BP神经网络的参数,训练所述BP神经网络:对BP神经网络的连接权重矩阵V、Z中各元素随机赋予初始数值,将受灾城市样本的各指标数据作为输入层各节点的数据,输出基础层的绝对最终指数数据;其具体步骤如下:
331)计算BP神经网络的误差,训练受灾城市样本时产生的均方误差
332)比较输出层的期望输出d
ρ为学习率,设定ρ=0.01;σ∈(0,1)为动量项;
333)输入下一个样本,返回步骤331)进行训练;
334)所有样本训练完毕,判断均方误差E是否小于网络训练精度e=10
所述进行洪涝灾害基础层的初始指数数据的计算步骤中,设洪涝灾害基础层的初始指数数据包括人口绝对初始指数数据、人口相对初始指数数据、农作物绝对初始指数数据、农作物相对初始指数数据、房屋绝对初始指数数据、房屋相对初始指数数据、经济绝对初始指数数据、经济相对初始指数数据,其包括以下步骤:
41)进行洪涝灾害基础层的人口绝对初始指数数据的计算,公式如下:
其中,
42)进行洪涝灾害基础层的人口相对初始指数数据的计算,公式如下:
其中,
43)进行洪涝灾害基础层的农作物绝对初始指数数据的计算,其公式如下:
式中,
44)进行洪涝灾害基础层的农作物相对初始指数数据的计算,其公式如下:
式中,
45)进行洪涝灾害基础层的房屋绝对初始指数数据的计算,其公式如下:
式中,
46)进行洪涝灾害基础层的房屋相对初始指数数据的计算,其公式如下:
式中,
47)进行洪涝灾害基础层的经济绝对初始指数数据的计算,其公式如下:
其中,
48)进行洪涝灾害基础层的经济相对初始指数数据,其计算公式如下:
其中,
本发明还提供一种电子设备,包括处理器和存储器,所述存储器存储有程序指令,所述处理器运行程序指令实现上述的基于熵权与BP神经网络技术的洪涝灾害损失评估方法。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述的基于熵权与BP神经网络技术的洪涝灾害损失评估方法。
有益效果
本发明的基于熵权与BP神经网络技术的洪涝灾害损失评估方法,与现有技术相比通过熵权法和BP神经网络对洪涝灾情进行分析处理,利用大数据分析结合人工智能技术归纳分析洪涝灾情的数据,避免了人为主观意识。
对于构建指标体系较单一的问题,本发明提出多层级指标体系构建方式,评价更为全面、精确;对于权重计算缺乏客观的问题,本发明提出熵权结合BP神经网络的指标权重确定方法。熵权法计算初始权重可以避开人为因素,更加客观,而BP神经网络具有表达任意非线性映射的特性,从而在分类、学习和容错方面表现出较好的能力。同时,本发明采用2020年洪涝灾害进行实证分析,结果表明,该改进方法能较综合的判断各地洪涝灾害损失情况,具有实用性和客观性。同时减少人力,提高评价准确性和及时性。
附图说明
图1为本发明的方法顺序图;
图2为洪涝灾害基础层的绝对最终指数数据的分析图;
图3为洪涝灾害基础层的相对最终指数数据的分析图;
图4为洪涝灾害综合层的绝对最终指数数据和相对最终指数数据的分析图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的基于熵权与BP神经网络技术的洪涝灾害损失评估方法,包括以下步骤:
第一步,基础数据的获取和预处理:获取洪涝灾害基础层数据并进行归一化预处理,洪涝灾害基础层数据包括绝对灾情指标数据和相对灾情指标数据。
第二步,基础层初始指数数据的计算:对归一化后基础层的绝对灾情指标数据和相对灾情指标数据进行熵权计算,获得基础层指标数据初始权重,其包括绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重,并得到基础层的初始指数数据,其包括绝对初始指数数据和相对初始指数数据。
熵权法是根据各指标传输信息量的大小来确定指标权重的方法。熵权法作为客观赋权法,能反应指标数据间的重要性和差异性,评价结果具有客观性。某项评价指标的差异越大,熵值越小,该指标包含和传输的信息越多,相应权重越大。
用熵权法确定评价对象的各指标权重,具有以下优点:
其客观性强:熵权法是一种客观赋权法,主要是根据原始数据之间的关系来确定权重,通常是基于比较完善的数学理论与方法。相对那些主观赋值法如层次分析法,熵权法精度客观性强,不依赖与认为评价,消除了主观性;适应性强:熵权法能适用于所有需要确定权重的运算,数学理论和适应性强。
其具体步骤如下:
(1)构建洪涝灾害基础层的绝对灾情判断矩阵,其表达式如下:
X=(x
其中,m为洪涝灾害基础层的绝对灾情指标数据,n为受灾城市样本数目,x
(2)根据绝对灾情判断矩阵,计算洪涝灾害基础层的绝对灾情信息熵D
其中,f
(3)根据信息熵D
(4)进行洪涝灾害基础层的初始指数数据的计算。
以目前洪涝灾害标准数据为例,可以设洪涝灾害基础层的初始指数数据包括人口绝对初始指数数据、人口相对初始指数数据、农作物绝对初始指数数据、农作物相对初始指数数据、房屋绝对初始指数数据、房屋相对初始指数数据、经济绝对初始指数数据、经济相对初始指数数据。
A1)进行洪涝灾害基础层的人口绝对初始指数数据的计算,公式如下:
其中,
A2)进行洪涝灾害基础层的人口相对初始指数数据的计算,公式如下:
其中,
A3)进行洪涝灾害基础层的农作物绝对初始指数数据的计算,其公式如下:
式中,
A4)进行洪涝灾害基础层的农作物相对初始指数数据的计算,其公式如下:
式中,
A5)进行洪涝灾害基础层的房屋绝对初始指数数据的计算,其公式如下:
式中,
A6)进行洪涝灾害基础层的房屋相对初始指数数据的计算,其公式如下:
式中,
A7)进行洪涝灾害基础层的经济绝对初始指数数据的计算,其公式如下:
其中,
A8)进行洪涝灾害基础层的经济相对初始指数数据,其计算公式如下:
其中,
第三步,基础层BP神经网络的设置与训练:利用归一化处理后洪涝灾害基础层的绝对灾情指标数据、相对灾情指标数据、绝对初始指数数据、相对初始指数数据作为训练样本来训练BP神经网络,得到训练后的基础层BP神经网络,并输出基础层的最终指数数据,其包括绝对最终指数数据和相对最终指数数据。
BP神经网络具有表达任意非线性映射的特性,从而在分类、学习和容错方面表现出较好的能力。需要注意以下几点:
1、整体设计与参数设定。一个合理的神经网络模型的设计过程是其各参数不断调整,结果不断对比,复杂且有一定的经验性的研究过程。
2、训练样本和检验样本的选取与确定。在侧重国家标准或地方标准的同时,也需要考虑样本数量与模型构建、训练、调试的符合性和匹配性。
3、输入与输出设计。通常情况下,神经网络往往根据专业知识选取对象系统的自变量要素或者影响因子作为输入变量。输出变量也可以称为系统对象的外生变量或者因变量,它可以是一个或者多个。当输入变量较多时,可以通过对系统对象聚类进行分析。其具体步骤如下:
(1)创建初始信息矩阵,其表达式如下:
X=(x
其中,n为受灾城市样本数目,m为洪涝灾害基础层的绝对灾情指标数据,x
(2)根据初始信息矩阵,配置BP神经网络:选用三层BP神经网络结构,其中,首尾两部分分别称为输入层和输出层,中间的部分称为隐含层;
BP神经网络的输入层包含m个节点,对应训练样本的m个洪涝灾害基础层的绝对灾情指标,
BP神经网络的输入层的输入向量为X=(x
隐含层包括k个节点,BP神经网络的输入层的输出向量为Y=(y
输入层到隐含层之间的连接权重用矩阵V表示,用以表示各节点联系的紧密程度,V=(v
BP神经网络的输入层的输出
BP神经网络的输出层包括一个节点,对应的输出向量为
O=(O
隐含层到输出层之间的连接权重向量Z=(z
洪涝灾害基础层的绝对初始指数数据D=(d
(3)根据所述BP神经网络的参数,训练所述BP神经网络:对BP神经网络的连接权重矩阵V、Z中各元素随机赋予初始数值,将受灾城市样本的各指标数据作为输入层各节点的数据,输出基础层的绝对最终指数数据;其具体步骤如下:
B1)计算BP神经网络的误差,训练受灾城市样本时产生的均方误差
B2)比较输出层的期望输出d
ρ为学习率,设定ρ=0.01;σ∈(0,1)为动量项;
B3)输入下一个样本,返回步骤B1)进行训练;
B4)所有样本训练完毕,判断均方误差E是否小于网络训练精度e=10
第四步,综合层数据的获取。获取综合层的绝对灾情指标数据和相对灾情指标数据,综合层的绝对灾情指标数为基础层的绝对最终指数数据,综合层的相对灾情指标数据为基础层的相对最终指数数据。
第五步,综合层初始指数数据的计算。对综合层的绝对灾情指标数据、相对灾情指标数据进行与基础层同样的熵权计算,获得综合层指标数据初始权重,其包括绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重,并得到综合层的初始指数数据,其包括绝对初始指数数据和相对初始指数数据。
第六步,综合层BP神经网络的设置与训练。利用综合层指标数据初始权重和综合层的初始指数数据作为训练样本用基础层同样的方法来训练综合层BP神经网络,得到训练后的综合层BP神经网络;并输出综合层的最终指数数据,其包括绝对最终指数数据和相对最终指数数据。
第七步,待分析洪涝灾害损失评估结果的获得。
首先,获得基础层洪涝灾害损失评估结果。将目标城市基础层待分析数据进行归一化处理,并输入所述训练后的基础层BP神经网络。其次,将目标城市基础层BP神经网络的输出送入训练后的综合层BP神经网络,得到目标城市洪涝灾害损失结果。
从国家灾害损失统计数据库中提取第一步中所需指标数据,作为训练样本训练BP神经网络。将某省10个区县的相应数据导入训练好的BP神经网络,计算出洪涝灾害基础层的绝对最终指数数据和相对最终指数数据如下表所示。
表1:洪涝灾害基础层的绝对最终指数数据对比表
表2:洪涝灾害基础层的相对最终指数数据对比表
由此得出洪涝灾害基础层的绝对最终指数数据的分析图和相对最终指数数据的分析图如图2和图3所示。
如图2所示,通过洪涝灾害基础层的绝对最终指数数据的分析图可以清晰的看出洪涝灾害基础层绝对人口最终指数、洪涝灾害基础层绝对农作物最终指数、洪涝灾害基础层绝对房屋最终指数、洪涝灾害基础层绝对经济最终指数对A、B、C、D、E、F、G、H、I、J这十个城市的影响情况。
如图3所示,通过洪涝灾害基础层的相对最终指数数据的分析图可以清晰的看出洪涝灾害基础层相对人口最终指数、洪涝灾害基础层相对农作物最终指数、洪涝灾害基础层相对房屋最终指数、洪涝灾害基础层相对经济最终指数对A、B、C、D、E、F、G、H、I、J这十个城市的影响大小。
在归一化处理后的洪涝灾害基础层的绝对灾情指标数据和相对灾情指标数据,以及洪涝灾害基础层的绝对初始指数数据和相对初始指数数据作为训练样本,以训练BP神经网络,得到训练后的BP神经网络,并将目标城市洪涝灾害基础层的待分析数据输入至所述训练后的BP神经网络,以计算出目标城市的洪涝灾害基础层的绝对最终指数数据和相对最终指数数据;
之后,将洪涝灾害综合层的绝对灾情指标数据和相对灾情指标数据即为洪涝灾害基础层的绝对最终指数数据和相对最终指数数据作为熵权法的输入,以输出洪涝灾害综合层的绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重,以得到洪涝灾害综合层的绝对初始指数数据和相对初始指数数据;
洪涝灾害综合层权重组成见表3:
表3:洪涝灾害综合层的绝对灾情指标数据的初始权重和相对灾情指标数据的初始权重对比表
洪涝灾害综合层的绝对初始指数数据和相对初始指数数据计算公式如下。
洪涝灾害综合层绝对初始指数数据的计算公式:
式中,
洪涝灾害综合层相对初始指数数据的计算公式:
式中,
最后,将所述将归一化处理后的洪涝灾害综合层的绝对灾情指标数据和相对灾情指标数据、洪涝灾害综合层的绝对初始指数数据和相对初始指数数据作为训练样本,以训练BP神经网络,得到训练后的BP神经网络,并将目标城市洪涝灾害综合层的待分析数据输入至所述训练后的BP神经网络,以计算出目标城市的洪涝灾害综合层的绝对最终指数数据和相对最终指数数据。
将上述某10个区县的相应数据导入训练好的BP神经网络,计算出洪涝灾害综合层的绝对最终指数数据和相对最终指数数据如表5所示:
表5:洪涝灾害综合层的绝对最终指数数据和相对最终指数数据
由此得出洪涝灾害综合层的绝对最终指数数据和相对最终指数数据分析图如图4所示。
通过洪涝灾害综合层的绝对最终指数数据和相对最终指数数据的分析图可以清晰的看出洪涝灾害综合层的绝对灾害损失指数数据和相对灾害损失指数数据对A、B、C、D、E、F、G、H、I、J这十个城市的影响大小。
本发明还提出一种电子设备,所述电子设备包括处理器和存储器,所述存储器存储有程序指令,所述处理器运行程序指令实现上述的基于熵权与BP神经网络技术的洪涝灾害损失评估方法。所述处理器可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件;所述存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
机译: 气态主体的非熵和非熵(等熵)热态,可形成新的无损失的电动机,压缩机,热泵和热能发电机
机译: 基于熵权粗糙化技术的腹部疾病鉴别诊断的重要参数提取方法及其临床决策支持系统
机译: 基于熵权和粗糙近似技术的腹部疾病鉴别诊断的重要参数提取方法及其临床决策支持系统