1.泥石流多尺度次声信号融合样本集构建方法,其特征在于:以泥石流多尺度次声融合信号作为机器学习训练数据,标记为IS;
所述泥石流多尺度次声融合信号获取方式为:利用水槽实验采集泥石流不同运动特征的次声信号,标记为实验次声信号ISE,所述水槽实验中,用水泥与砂石混合涂抹水槽内壁与内底面,使水槽内壁与内底面形态与自然沟道接近,利用野外观测采集泥石流不同运动特征的次声信号,标记为野外次声信号ISF;将ISE与ISF分别经切比雪夫II型低通滤波器滤波,滤波后信号分别标记为ISEch、ISFch;分别将ISEch与ISFch依次采用平移、加噪、滤波方法进行数据增强,得到扩充数据集ISEau与ISFau,其中,ISEch的平移时间窗为[-1s,+1s]、ISFch的平移时间窗为[-3s,+3s],ISEch与ISFch的加噪与滤波条件相同;将信号ISEau与ISFau以数据量比例不低于1:1合并,得到泥石流次声融合信号提取所述IS中的能量特征、时域特征、频域特征及相应的泥石流运动特征指标,以所述能量特征、时域特征、频域特征共同作为样本特征xi,以泥石流运动特征指标作为样本标签yi,构成用于机器学习的样本集[ISS];
所述能量特征包括:利用db5小波基对IS做3层分解,利用软阈值去噪,将去噪后信号标记为ISst,计算ISst各频带的小波能量系数,共4个能量系数eci;
所述时域特征包括:分析ISst时域特征值,计算时域最大幅值、时域平均幅值、时域有效值、时域方差、峰-峰值、峭度指标、峰值指标、裕度指标、偏度指标、脉冲指标、波形指标、平均短时过零率,共12个时域特征指标tdi;
所述频域特征包括:以帧移100采样点、帧长200采样点、半重叠汉明窗对ISst做分帧加窗处理,分析频域特征,计算峰值频率、中心频率、谱线宽度、频率均方根、频谱能量平均值、功率谱峰值频率,共6个频域特征指标fdi。
2.根据权利要求1所述的样本集构建方法,其特征在于:所述切比雪夫II型低通滤波器条件为通带截止频20Hz、阻带截止频率30Hz,通带最大衰减0.15dB,阻带最小衰减30dB。
3.根据权利要求1所述的样本集构建方法,其特征在于:所述ISEch与ISFch的数据增强中,加噪采用高斯噪声扰动,滤波采用切比雪夫II型低通滤波器。
4.根据权利要求1~3任一所述的样本集构建方法,其特征在于:所述泥石流运动特征指标是泥石流峰值流量g,所述IS中提取的样本特征xi包括1个能量特征eci:小波能量系数4,5个时域特征tdi:峰值指标、裕度指标、偏度指标、脉冲指标、波形指标,5个频域特征fdi:峰值频率、中心频率、谱线宽度、频率均方根、频谱能量平均值。
5.权利要求1~3任一所述的泥石流多尺度次声信号融合样本集构建方法在机器学习中的应用,其特征在于:是将样本集[ISS]作为利用泥石流次声信号反演泥石流运动特征指标或泥石流流量的机器学习回归模型的样本集。
6.根据权利要求5所述的应用,其特征在于:所述样本集[ISS]采用权利要求4所述的样本集构建方法构建。
7.利用权利要求1~3任一所述的泥石流多尺度次声信号融合样本集构建方法实现的泥石流流量次声反演测算方法,其特征在于:S100、构建样本集[ISS]
采用机器学习样本集构建方法构建样本集[ISS],样本以泥石流流量作为样本标签yi;
S200、样本集[ISS]预处理
S300、划分训练集与测试集
S400、利用训练集构建集成学习模型
S410、以训练集中各样本特征的特征值为输入、以样本标签的泥石流流量值为输出,分别采用随机森林算法RF、k近邻算法kNN、极端梯度提升算法XGBoost构建基学习器,得到3个基学习器的输出;
S420、以3个基学习器的输出为输入、以样本标签yi的泥石流流量值为输出,构建梯度提升决策树GBDT元学习器结合各基学习器,形成泥石流流量次声反演模型;
S500、利用测试集完成泥石流流量次声反演模型泛化能力评估。
8.根据权利要求7所述的反演测算方法,其特征在于:所述S200样本集[ISS]预处理,若依权利要求5方法构建得到的样本集[ISS],执行S210~S220,若依权利要求6方法构建得到的样本集[ISS],执行S220;
S210、采用方差过滤法去除样本集[ISS]方差小于0.05的样本特征xi,使用互信息法去除与样本标签yi无关系的样本特征xi,余下为清洗样本特征xm及相应的样本标签ym;
S220、将清洗样本特征xm或xi的特征值做标准化处理,使数值服从正态分布,将样本标签ym或yi的数据做归一化处理,使数据缩放在[0,1]范围内且保持数据分布特征无改变,所得样本数据组成预处理后样本集[ISSp]继续S300。
9.根据权利要求7所述的反演测算方法,其特征在于:所述样本集[ISS]采用权利要求4所述的样本集构建方法构建。
10.根据权利要求8所述的反演测算方法,其特征在于:所述样本集[ISS]采用权利要求4所述的样本集构建方法构建。
11.权利要求7所述的泥石流流量次声反演测算方法的应用,其特征在于:是在泥石流监测预警中的应用。
12.权利要求8~10任一所述的泥石流流量次声反演测算方法的应用:其特征在于:是在泥石流监测预警中的应用。