【目的】针对降雨诱发型滑坡位移序列在阶跃型突变阶段呈现强非平稳性、跨尺度耦合及动力学突变失配的特征,现有基于单一分解或纯数据驱动的深度学习模型在突变起始时刻普遍出现相位滞后、幅值削弱甚至虚假振荡失效,难以同时兼顾长期蠕...【目的】针对降雨诱发型滑坡位移序列在阶跃型突变阶段呈现强非平稳性、跨尺度耦合及动力学突变失配的特征,现有基于单一分解或纯数据驱动的深度学习模型在突变起始时刻普遍出现相位滞后、幅值削弱甚至虚假振荡失效,难以同时兼顾长期蠕滑演化与短期突变响应的预测精度,本文提出一种融合改进二次分解与物理特征约束的深度学习预测模型,以解决滑坡位移在突变触发阶段的结构性预测失真问题。【方法】首先,针对原始位移序列的模态混叠问题,采用完备集合经验模态分解(CEEMDAN)提取趋势项与非平稳分量;其次,为解决高频降雨响应信号的提取难题,引入冠豪猪优化算法(CPO)自适应寻优变分模态分解(VMD)的关键参数,实现高频残差的精细化二次分解;进而,构造速度、加速度及改进切向角等运动学特征,通过LSTM-Transformer串联网络捕捉时序依赖与跨尺度全局关联,并在损失函数中引入物理一致性正则项以约束预测结果的动力学合理性。【结果】以湖北省十堰市郧西县枣树洼滑坡为例的实验表明:该模型在强降雨突变段的相位滞后小于1 d,综合预测精度(RMSE=2.975 mm, R^(2)=0.985)较单一分解模型提升约38%,有效克服了纯数据驱动模型在非降雨期易产生虚假波动的缺陷。【结论】研究不仅验证了物理特征约束策略的有效性,更为解决滑坡中突变信号的精细化分离提供了新范式,同时显著增强了深度学习模型在地质灾害预测中的物理可解释性与工程应用信度。展开更多
目的:将日常时间管理量表(Daily Time Management Scale,DTMS)进行汉化,并对其进行信效度检验。方法:遵循Brislin翻译模式进行量表翻译,通过专家咨询和预调查进行文化调适后形成中文版DTMS。采用便利抽样法,选取300例2型糖尿病病人进行...目的:将日常时间管理量表(Daily Time Management Scale,DTMS)进行汉化,并对其进行信效度检验。方法:遵循Brislin翻译模式进行量表翻译,通过专家咨询和预调查进行文化调适后形成中文版DTMS。采用便利抽样法,选取300例2型糖尿病病人进行横断面调查,分析中文版DTMS的信效度。结果:中文版DTMS项目分析结果显示所有条目均设计合理、区分度良好。量表条目水平的内容效度指数(I-CVI)为0.875~1.000,量表内容效度指数(S-CVI)为0.928。探索性因子分析共提取3个公因子,累计方差贡献率为64.695%。总量表的Cronbach's α系数为0.864,3个维度的Cronbach's α系数分别为0.851,0.834,0.746;重测信度为0.845。中文版DTMS包括工作满意度与生活充实度的协调、生活节奏调整和全面考量的目标取向3个维度,共16个条目。结论:中文版DTMS在2型糖尿病病人中的应用具有良好的信效度,可作为评估2型糖尿病病人日常时间管理的有效工具。展开更多
文摘【目的】针对降雨诱发型滑坡位移序列在阶跃型突变阶段呈现强非平稳性、跨尺度耦合及动力学突变失配的特征,现有基于单一分解或纯数据驱动的深度学习模型在突变起始时刻普遍出现相位滞后、幅值削弱甚至虚假振荡失效,难以同时兼顾长期蠕滑演化与短期突变响应的预测精度,本文提出一种融合改进二次分解与物理特征约束的深度学习预测模型,以解决滑坡位移在突变触发阶段的结构性预测失真问题。【方法】首先,针对原始位移序列的模态混叠问题,采用完备集合经验模态分解(CEEMDAN)提取趋势项与非平稳分量;其次,为解决高频降雨响应信号的提取难题,引入冠豪猪优化算法(CPO)自适应寻优变分模态分解(VMD)的关键参数,实现高频残差的精细化二次分解;进而,构造速度、加速度及改进切向角等运动学特征,通过LSTM-Transformer串联网络捕捉时序依赖与跨尺度全局关联,并在损失函数中引入物理一致性正则项以约束预测结果的动力学合理性。【结果】以湖北省十堰市郧西县枣树洼滑坡为例的实验表明:该模型在强降雨突变段的相位滞后小于1 d,综合预测精度(RMSE=2.975 mm, R^(2)=0.985)较单一分解模型提升约38%,有效克服了纯数据驱动模型在非降雨期易产生虚假波动的缺陷。【结论】研究不仅验证了物理特征约束策略的有效性,更为解决滑坡中突变信号的精细化分离提供了新范式,同时显著增强了深度学习模型在地质灾害预测中的物理可解释性与工程应用信度。
