基于松鼠觅食算法优化LSSVM的泥石流预测.pdf

计算机测量与控制 ()C o m p u t e r M e a s u r e m e n t&C o n t r o l 设计与应用 收稿日期:;修回日期:.基金项目:陕西省教育厅科研计划资助项目(J K );陕西省自然科学基础研究计划项目(J C Y B ).作者简介:李璐(),女,山西长治人,硕士,助教,主要从事地质灾害预报、人工智能算法方面的研究.通讯作者:张永强(),男,陕西西安人,硕士,高级工程师,主要从事人工智能算法方向的研究.引用格式:李璐,张永强,李丽敏,等基于松鼠觅食算法优化L S S VM的泥石流预测J计算机测量与控制,():文章编号:()D O I:/j c n k i /t p 中图分类号:T P 文献标识码:A基于松鼠觅食算法优化L S S VM的泥石流预测李璐,张永强,李丽敏,马媛,窦婉婷,王悦(西安思源学院 理工学院,西安 ;铜川职业技术学院 机电工程学院,陕西 铜川 ;西安工程大学 电子信息学院,西安 ;西安交通大学城市学院 传播系,西安 )摘要:针对山区村镇泥石流影响因素多元复杂、L S S VM算法参数随机导致的精度不佳及陷入局部最优问题,采用核主成分分析K P C A降维、S S A算法参数寻优的方法建立L S S VM泥石流灾害预测模型;以山阳县中村镇泥石流为例,分析泥石流全域地形地貌成灾因子,对数据预处理清洗规范,利用K P C A主成分贡献率选取出个成灾因子作为L S S VM算法的输入数据,泥石流发生概率为输出,建立泥石流预报模型,并用S S A算法进行模型参数的优化;将S S A寻优后的L S S VM预测结果与G A、G C参数寻优模型预测结果比对,结果表明S S A L S S VM准确率达到 ,相比其他模型提高 ,且S S A算法优化的L S S VM模型的MA E、M S E和RM S E最小且接近于零,同时从泥石流发生的预报等级维度进行结果比对分析,结果进一步说明模型预测的精度及稳健性;该研究说明S S A L S S VM算法可用于泥石流灾害发生概率的预测,为此类灾害预测提供了科学依据.关键词:L S S VM;松鼠觅食S S A;K P C A;泥石流预测模型P r e d i c t i o no fD e b r i sF l o wB a s e do nS q u i r r e lF o r a g i n gA l g o r i t h mO p t i m i z e dL S S VML IL u,Z HANGY o n g q i a n g,L IL i m i n,MAY u a n,D OU W a n t i n g,WANGY u e(S c h o o l o fS c i e n c ea n dE n g i n e e r i n g,X i a nS i y u a nU n i v e r s i t y,X i a n ,C h i n a;S c h o o l o fM e c h a n i c a l a n dE l e c t r i c a lE n g i n e e r i n g,T o n g c h u a nV o c a t i o n a l a n dT e c h n i c a lC o l l e g e,T o n g c h u a n ,C h i n a;S c h o o l o fE l e c t r o n i c sa n dI n f o r m a t i o n,X i a nP o l y t e c h n i cU n i v e r s i t y,X i a n ,C h i n a;D e p a r t m e n to fC o mm u n i c a t i o n,C i t yC o l l e g eo fX i a nJ i a o t o n gU n i v e r s i t y,X i a n ,C h i n a)A b s t r a c t:I no r d e r t os o l v e t h ep r o b l e mo fp o o ra c c u r a c ya n d l o c a l o p t i m a l c a u s e db ym u l t i p l ea n dc o m p l e x i n f l u e n c i n gf a c t o r so fd e b r i s f l o wi nm o u n t a i n o u sv i l l a g e s a n d t o w n s a n d t h e r a n d o mp a r a m e t e r so fL S S VMa l g o r i t h m,t h eL S S VMd e b r i s f l o wd i s a s t e rp r e d i c t i o nm o d e lw a s e s t a b l i s h e db yK P C Ad i m e n s i o nr e d u c t i o na n dS S Aa l g o r i t h mp a r a m e t e r o p t i m i z a t i o nm e t h o d s M u d s l i d e s s o nd u o n gd i s t r i c t o f v i l l a g e s a n d t o w n s,f o r e x a m p l e,g l o b a l t o p o g r a p h yb y f a c t o r a n a l y s i s o f d e b r i s f l o w,w a s hs p e c i f i c a t i o n f o r d a t ap r e p r o c e s s i n g,b yu s i n gK P C Ap r i n c i p a l c o m p o n e n t c o n t r i b u t i o nr a t e t os e l e c t t h e f a c t o r sa s t h e i n p u td a t ao fL S S VMa l g o r i t h m,d e b r i s f l o wo c c u r r e n c ep r o b a b i l i t ya so u t p u t,d e b r i s f l o wf o r e c a s tm o d e l i se s t a b l i s h e d,a n dm o d e lp a r a m e t e r sa r eo p t i m i z e dw i t ht h eS S Aa l g o r i t h m B yc o m p a r i n g t h ep r e d i c t i o nr e s u l t so fL S S VMo p t i m i z e db yS S Aw i t h t h o s eo fG Aa n dG Cp a r a m e t e r o p t i m i z a t i o nm o d e l s,t h er e s u l t ss h o wt h a t t h ea c c u r a c yo fS S A L S S VMr e a c h e s ,w h i c h i sh i g h e r t h a nt h a t o f o t h e rm o d e l s M o r e o v e r,MA E,M S Ea n dRM S Eo fL S S VMo p t i m i z e db yS S Aa l g o r i t h ma r em i n i m u ma n dc l o s e t o z e r o A t t h e s a m e t i m e,t h e r e s u l t s a r ec o m p a r e da n da n a l y z e df r o mt h ep r e d i c t i o ng r a d ed i m e n s i o no fd e b r i s f l o wo c c u r r e n c e,a n dt h er e s u l t s f u r t h e r i l l u s t r a t et h ea c c u r a c ya n dr o b u s t n e s so f t h em o d e l p r e d i c t i o n T h i s s t u d ys h o w s t h a tS S A L S S VMa l g o r i t h mc a nb eu s e d t op r e d i c t t h ep r o b a b i l i t yo f d e b r i sf l o wd i s a s t e r s,a n dp r o v i d e sas c i e n t i f i cb a s i s f o r t h ep r e d i c t i o no f s u c hd i s a s t e r s K e y w o r d s:L S S VM;S q u i r r e l s f o r a g i n gS S A;K P C A D e b r i s f l o wp r e d i c t i o nm o d e l投稿网址:w w wj s j c l y k z c o m第期李璐,等:基于松鼠觅食算法优化L S S VM的泥石流预测 引言泥石流灾害的发生是在自然演变或人为因素的影响下,一种复杂的非线性动力学演化过程.我国山区较多,泥石流灾害是山区常见的一种自然灾害,由于它本身高频发生、分布区域广泛及破坏力极强,对山区人民生命、财产有着极大的威胁,对防灾减灾工作提出严峻的考验.泥石流的早期预报可以有效减少灾害的损失,泥石流形成主要有三大条件,分别是地形地貌、松散物源、水源.近年来国家对地质灾害的防灾减灾比较重视,陆陆续续出台政策,随着灾害的频繁发生,对泥石流灾害的研究一直都是热度较高的课题,相关学者针对泥石流的研究主要有:)通过灾害区域地面调查结合相关遥感技术,观察并分析泥石流灾害全域的地形地貌,从而分析其成灾机理;)对物源动储量、泥沙补给、流量等影响因素通过力学及流变学的理论建立相关泥石流的运动方程;)通过实时监测收集雨量信息,对降雨强度与临界雨量阈值分析并建立雨量模型;)通过实时监测采集成灾因子,对泥石流发生的概率及等级进行预报,从而达到提前预报预警提示,减少灾害重大损失.随着机器学习理论的不断发展,非线性模型也被广泛应用在泥石流灾害预测的理论中,文献 融合泥石流的多个影响因子,通过遗传规划法建立临界降雨指数智能预测模型;文献 基于P C A(p r i n c i p a l c o m p o n e n t a n a l y s i s)筛选泥石流灾害成灾因子并使用B P(b a c kp r o p a g a t i o n)神经网络对泥石流发生的危险性进行预测,此方法选用有效成灾因子的方法结合预测模型极大提升了泥石流危险性的预测,但是使用P C A筛选因子处理非线性关系有一定缺陷.文献 使用混合核函数改进了K P C A筛选因子算法,预测等级达到一定的提升.基于这一思想,学者 将成灾因子筛选、模型参数寻优等优化模型方式使得预测模型精度更加稳健.本文借鉴这一思想分析泥石流全域地形地貌成灾机理并筛选因子,构造出泥石流灾害预测模型.为进一步提升泥石流预测的精度,本文以陕西省山阳县中村镇泥石流全域为研究对象,首先分析灾害区域地形地貌选出成灾因子,避免因使用单因子预测导致的精度低问题;其次采用核主成分分析法(K P C A,K e r n e lp r i n c i p a lc o m p o n e n t a n a l y s i s)进行高维度影响因子的筛选;另外构造最小 二 乘 支持 向 量 机(L S S VM,l e a s ts q u a r e ss u p p o r tv e c t o rm a c h i n e s)模型对泥石流发生概率模型的建立,相对于支持向量机将非线性问题转换为线性问题求解方式极大的简化,同时使用多算法进行L S S VM中的超参数优化,经过优化后的模型解决了过早收敛导致陷入局部最优的问题以及参数随机选取导致的精度不佳问题,通过模型优化提高了泥石流预测的精度.最后通过与其他寻优预测算法进行比对,比对出最佳预测模型,为泥石流地质灾害研究带来活力及新思路.算法理论 K P C A方法主成分分析方法 是一种无监督降维算法,针对线性数据效果较好,但是其对于数据之间存在非线性关系时P C A降维效果比较差,为了弥补这一缺陷,在P C A计算协方差矩阵时加入核函数,用来解决非线性映射问题.K P C A在高维特征空间对原数据映射,经过P C A对高维数据计算特征向量及特征值来确定主成分因子.假设样本集:Xx,x,xM,xkRN为列矢量,M为样本总数,为满足Mk(xk)的非线性的映射,F为相应空间.协方差矩阵表达:C/MMj(xj)(xj)T()通过特征分解C值得出:C()当所有特征值,v为由(x),(x),(xM)组成的空间,所以式()等于:(xk),vr)(xk),C vr)k,M()由于vT是(x)的线性组合,所以得出:vTMn(xi)Cri()将式()、()代入式(),并令Ki j(xi),(xj)i,j,M,代入得出:M rcrK cr()M r为特征值,cr为特征向量,当满足cr条件:cp,cp,cM,进行归一化后得出:M r(cr,cr)()求得(x)在cr特征向量的投影:gr(x)(vr,(x)Micr(xi),(xj)rp,p,M()g(x)为(x)非线性主元分量,g(x)g(x),g(x),gI(x)T为所有投影矢量表示.使用核函数K(xi,xj)(xi),(xj)求解g(x)代替空间的点积运算,核函数变为:g(x)(vT,(x)K(xi,xj)()当(x)时,空间样本变换:(xi)(xi)/MMi(xi)()通过式()计算矩阵K,再依据样本变换求取特征向量与特性值,最后依据最大特征值及其对应向量结合输入属性得到主成分.按照式()、()得出各个成分的贡献率与累计贡献率.ipkk(i,p)()ikipkk(i,p)()L S S VM模型L S S VM(l e a s t s q u a r e s s u p p o r t v e c t o rm a c h i n e s)基投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 于S VM将不等式约束转换为等式约束,从而化简l a g r a n g e乘子求解,对求解Q P问题转为进行线性方程组的求解.L S S VM继承了S VM的泛化能力和鲁棒性,但其计算效率优于原始的S VM.给定训练的数据集合(xi,yj),i,n,分别给出S VM及L S S VM需求解的问题.S VM不等式约束问题:m i n,b,J(,)cni T styiT(xi)bi,i,n()L S S VM等式约束问题:m i n,b,eJ(,e)niei T,s t yiT(xi)bei,i,n()及e为松弛变量,用于S VM及L S S VM中引入离群点,c及为平衡寻找最优超平面与偏差量之间最小值,为权重向量,b为误差,()为映射函数.使用L a g r a n g e a方法对式()优化,转化为单一的参数,求解的极限值,构造出:L(,b,e,)J(,e)niiyiT(xi)bei()其中:i为拉格朗日乘子.,b,ei,i分别求导:L nii,yi(xi)L bnii,yi L eii ei,i,n L iyi T(xi)bei,i,n()依据个求导的条件可列出线性方程组:ITnInE/b y()In为单位矩阵的转置矩阵,E为n维单位矩阵,为核矩阵:i jyiyj(xi)T(xj)yiyjK(xi,xj),i,j,n()解方程(),可得出一组、b,最后得出L S S VM分类表达式为:y(x)s i g nniiyiK(x,xi)b()L S S VM的训练框架如图所示,L S S VM算法中的正则化系数和核函数参数需要进行寻优防止出现参数随机导致的精度不佳问题及过早收敛导致陷入局部最优的问题.松鼠觅食算法松鼠觅食算法(s p a r r o ws e a r c ha l g o r i t h m)对于搜索空间中的一些复杂问题搜索能力及精度有明显优势,松鼠图L S S VM模型网络结构图虽不会飞行,但可以通过滑翔的方式来躲避天敌捕食,S S A算法就是模拟其这一行为的过程.松鼠的搜寻过程伴随其觅食的开始,寻找食物的方式通过其从不同的树木之间移动来获取,森林中不同区域的搜索通过松鼠位置的改变来实现.假设松鼠的数量为n,松鼠移动的位置通过矢量来确定,并在边界范围内随机初始化其位置.F SF S,F S,F S,DF S,F S,F S,dF Sn,F Sn,F Sn,d()F Sn,d为第n只老鼠在第d维度上的值,松鼠在森林中的初始位置为:F SiF SLU(,)(F SUF SL)()F SU和F SL为松鼠移动的上下界,U(,)为随机数,.食物源的等级通过每一只松鼠位置的适应度表示,计算适应度值并进行升序分类,适应度最小的位置:最佳食物源山核桃,接下来三只位置正常食物源橡树,其他的位置无食物来源普通树.依据其天敌的出现概率Pd p松鼠更新移动的位置.滑翔路径一:F St a tF Sta tdgGc(F Sth tF Sta t),RPd pR a n d o m l o c a t i o n,RPd p()滑翔路径二:F St n tF Stn tdgGc(F Sta tF Stn t),RPd pR a n d o m l o c a t i o n,RPd p()滑翔路径三:F St n tF Stn tdgGc(F Sth tF Stn t),RPd pR a n d o m l o c a t i o n,RPd p()dg为随机滑翔距离,RRR为,范围内的随机数,F Sta t为松鼠在橡树上位置,F Sth t为松鼠在山核树上位置,F Stn t为松鼠在普通树上位置,Gc为滑动系数.季节的变化会影响松鼠的觅食活动,使用季节的变换来防止出现算法陷入局部最优.投稿网址:w w wj s j c l y k z c o m第期李璐,等:基于松鼠觅食算法优化L S S VM的泥石流预测 Stczdk(F St,za t,kF Sh t,k)()Sm i n E t/tm()t、tm分别为当前值和最大迭代值,Sm i n为季节常数最小值,Stc为季节常数,季节变换条件为StcSm i n,满足此条件,普通松鼠位置随机改变.F St n t,iF Si,LL e v y(F Si,UF Si,L)()F Si,U和F Si,L为松鼠移动的上下界,L e v y为列维分布,有效地全局搜索,来找到距离当前地点最优的一个新地点.S S A算法具体步骤如图所示.图S S A算法流程基于K P C A S S A L S S VM山区泥石流灾害预测模型基于K P C A S S A L S S VM的山区泥石流灾害发生预测流程如图所示,具体实现步骤如下:)首先对监测的原始数据预处理,并使用K P C A核主成分分析法筛选出覆盖率满足需求的个影响因子.)数据集合理划分,确定训练集及测试集百分比.)初始化寻优参数及L S S VM参数.)根据各影响因子建立L S S VM预测模型,并在训练集训练最佳适应度函数.)将不同预测模型在测试集上分析对比,筛选得出最佳模型及预测结果.仿真验证和结果分析 研究区概况及数据来源陕西省商洛市山阳县的中村镇,因其地处秦岭山下,山脉沟壑众多,属于中、低山地形,山体土石量多达 多万方,占地高达 以上,位于地势差异较大的峡谷地区,地形地质复杂,山体石量多,更易引发灾害.同时也属于长江流域汉江水系,地区水源较多,河流较多、尤其在夏秋季降雨量也较多,年平均降水量达到 毫米,如图K P C A S S A L S S VM算法流程果连续降雨量大容易导致土质疏松,从而增加了地质灾害的安全隐患点.参照 T/C A GH P 泥石流灾害防治工程勘察规范、滑坡崩塌泥石流灾害调查规范(:)(D Z/T )结合山阳县实地监测区域监测泥石流活动数据,对泥石流发育机制及成灾特征分析,本研究区域按照水源和物源成因划分为崩塌型泥石流,其中固体物质主要由滑坡崩塌等重力侵蚀提供 .去掉规范量级评分表中分以下影响因子,最后结合监测区实际泥石流数据得出 个影响因子,分别为沟岸山坡坡度、降雨量(h、h、m i n最大降雨量)、土壤含水率、沟床平均坡度、岩性影响、流域相对高差、河沟堵塞程度、河沟纵坡、产沙区沟槽横断面、松散物平均厚度、流域面积、泥砂沿程补给长度比、孔隙水压力、沿沟松散物量、区域构造影响、流域植被覆盖率.因各降雨量 h、h、m i n最大降雨量对泥石流的发生有极大的影响,所以选取暴雨强度R作为泥石 流 灾 害 模 型 的 影 响 因 子.暴 雨 强 度R计 算 如 式(),各参数选取如表所示.RK(H/H(D)H/H(F D)H/H/(D)()表泥石流降雨量因子参数参数K(H/H(D)/mm(H/H(D)/mm(H/H/(D)/mm描述 前 期 雨 量 修正系数K无前期降雨K有前期降雨取值K H:h最 大降 雨 量H(d):h临界值取 值H(D)mmH:h最 大 降雨量H(D):h临界值取 值H(D)mmH/:m i n最大降雨量H/(D):m i n临界值取值H/(D)mm 数据预处理监测数据由于环境的影响会出现一些如缺失、离群或维度不统一的数据,这些数据对于模型的建立有极大的消极影响,会产生跳跃,且无法与其他数据统一,因此需要对监测数据进行预处理.投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 )异常值处理:监测数据中存在一部分偏离传感器本身范围的值或偏离观测值较大的值,不处理会影响数据预测准确性,距离达到倍或者与均值的距离倍标准差的数据称之为离群点.)缺失值的处理:监测数据通过泥石流灾害区域多传感器实时传输,传输过程中经常会出现遗漏或者个别离群点情况,会出现失真损失有效信息,导致属性值缺失不准确.按照属性因素方法进行统计得出缺失率,本文划分两种类别数据的缺失值,如表所示.表数据缺失值类型类别型数值型q 缺失值属性剔除缺失值属性剔除 q 缺失值属性作为一种新的类别相邻属性加权值填充 q 多重插补均值填充q 同类均值插补众数填充)数据归一化:监测数据种类较多样且数量较多,多传感器数据量纲不同有较大的差异,使用原始数据直接建模对于预测的准确性有极大的影响,所以需要对数据进行归一化处理,归一化处理公式如():RRRm i nRm a xRm i n()式()中,R为某因素归一化处理后的数据,Rm i n和Rm a x表示某因素数据中的最小值及最大值.图影响因子特征值及主成分贡献率 数据影响因子筛选由于样本影响因子彼此之间存在相关性,为避免相关性对预测结果的影响,本文通过K P C A核主成分分析法选取成灾因子,各主成分的特征值及贡献率如图所示,实验表明前个主成分的累计的贡献率已经达到 ,覆盖的信息超过了,覆盖率达到要求,所以文中选取前个影响因子作为泥石流灾害模型训练的输入数据.并依据T/C A GH P 泥石流灾害防治工程勘察规范及泥石流相关资料分析,得出影响因子与泥石流发生量化等级关系如表所示.以陕西省山阳县重点地灾监测区的历史数据作为研究样本,数据使用山阳县 年月到 年月的 个监测点的数据作为数据集,经过数据预处理及成灾因子选取后数据集总共筛选出 组数据,分别分为 测试集和 的两个验证集.表泥石流影响因子量化表序号影响因子量化等级河沟纵坡A:B:C:D:泥砂沿程补给长度比A:B:C:D:暴雨强度RA:B:C:D:土壤含水率A:B:C:D:沿沟松散物量A:B:C:D:孔隙水压力A:B:C:D:注:A 泥石流发生严重;B 泥石流中等发生;C 泥石流轻微发生;D 泥石流不发生.超参数寻优L S S VM建模过程中调优参数为正则化系数和核函数参数,文中选取S S A寻优算法与遗传算法(GA,g e n e t i c a l g o r i t h m)及网格搜索(G C,g r i d s e a r c h C V)在相同 组训练集对L S S VM模型的正则化系数和核函数参数进行寻优.种群的规模设置为,最大迭代次数设置为 ,每个优化算法分别进行 次独立实验,并分别画出最优适应度函数值与迭代次数曲线图进行比对,结果如图所示,适应度函数值随着迭代次数的增加而逐渐减小,最终搜寻到最优参数后收敛.G C在第 次迭代大幅下降.跳出了局部最优状态,G A整个迭代过程收敛速度较慢,但也逐渐趋向最优,S S A优化效果最好,明显引导种群向最优位置处,说明使用S S A算法寻优,对松鼠移动的位置不断调整可以跳出局部最优值,且收敛速度快,而且早熟现象明显,能够取得更小的适应度.最终选取正则化系数 和核函数 .图寻优适应度曲线对比图 仿真验证及结果分析为验证模型的预测精度,引入模型评价指标A U C值,投稿网址:w w wj s j c l y k z c o m第期李璐,等:基于松鼠觅食算法优化L S S VM的泥石流预测 其为R O C曲线结合坐标轴围成的面积值,范围一般介于 之间,预测的真实性取决与A U C值接近的程度,靠近真实性高反之则 反.MA E预 测 值 真实 误 差,RMS E预测值和真实值间偏离程度,MS E真实值与预测值差异,越接近零预测精度越高,如式()所示:R MS EM S Eli(yiyi)/IM A E|yiyi|/IA U CF P/(F NT N)F N/(T PF P)/()其 中:I样本 数 量,yi为 模 型 预测 输 出,yi为 真 实输出.为验证本研究优化模型的准确性,将经过数据预处理图发生概率等级预测图及降维后的训练数据作为泥石流预测模型构建的输入数据,总共 组训练集构建泥石流预测模型,并通过 验证集验证各模型的准确性.实验采用L S S VM作为泥石流灾害预测模型,并用S S A算法超参数寻优.使用同一个验证集验证未优化的L S S VM模型及其他寻优算法对L S S VM预测效果比对.利用预测结果计算模型的MA E、MS E和RMS E,值越接近于 零 精 度 越 高,可 以 看 出S S A L S S VM的MA E、MS E和RMS E最小且接近于零,对比评估指标结果如图所示,传统的L S S VM相对误差较大,最大相对 误 差达 到 ,而S S A L S S VM最大误差达到 ,误差是最低的,进一步说明了该模型预测的精度较高.图模型预测评估指标为进一步验证模型的稳健性,选取 验证集,将其打乱的 个监测数据作为模型预测概率及预测等级误差的评价,图为各模型寻优L S S VM模型后的实际发生概率与预测发生概率比对图.S S A寻优后实际值与预测值基本吻合,拟合情况较好,极限的几个数据、及 发生概率存在一些差异,但是其对应的风险预报等级与实际数据风险等级结果吻合,不影响预报的等级,多个算法模型在同一预测集上的预测等级结果如图所示,按照泥石流发生等级准确率降序排列:S S A达到 ,GA L S S VM达到 ,G C L S S VM达到.实验说明引入图模型预测预测比对图S S A对L S S VM参数寻优,泥石流发生的概率及等级预测准确率皆有明显的提升.使用寻优后的S S A L S S VM模型对研究区域泥石流进行预测,从发生的概率及预测的等级两方面都证明该模型具有较高的可行性.图模型R O C曲线此外通过A U C公式计算得出 验证集中各模型的R O C曲 线 如 图所 示,R O C曲 线 中 横 坐 标 为 假 阳 性 率(F P R/S p e c i f i c i t y特 异 度),纵 坐 标 为 真 阳 性 率(T P R/S e n s i t i v i t y),可以根据R O C曲线的面积下的A U C值看出各个预测模型对应评价指标的好坏,A U C值越高说明模型精投稿网址:w w wj s j c l y k z c o m计算机测量与控制第 卷 度越佳,各模型A U C值均高于 ,但是S S A L S S VM模型指标更加,无论从测试时间、A U C值及R O C曲线均明显优于GA和G C寻优模型,模型A U C均值为 ,预测效果较其他模型理想.各模型的对比指标参数如表所示,S S A L S S VM模型相比其它模型平均测试事件最短且平均A U C值最高且接近于.多组实验数据结果证明S S A L S S VM模型具有较好的预测效果,在泥石流灾害预测中有较好的预测能力.表模型参数及结果比对模型及训练测试样本模型:L S S VM训练样本:组测试样本:组寻优算法G CG AS S A模型参数 平均测试时间 平均A U C值 结束语本文以普适的山阳县中村镇区域泥石流为例,结合泥石流全域的地形地貌成灾机理,提出K P C A S S A L S S VM泥石流预测模型,在研究区实践应用效果良好,说明模型具有一定的可行性和有效性.因此,可以得出以下结论:)参照 T/C AGH P 泥石流灾害防治工程勘察规范、滑坡崩塌泥石流灾害调查规范(:)(D Z/T )并结合山阳县实地监测区域,监测泥石流活动数据,对泥石流发育机制及成灾特征分析,选出 个成灾因子,并使用K P C A主成分分析法依据因子的贡献率筛选出个重要的成灾因子;)L S S VM建模过程中调优参数为正则化系数和核函数参数,选取S S A寻优算法与遗传算法(GA,g e n e t i c a l g o r i t h m)及网格搜索(G C,G r i d S e a r c h C V)在相同 组训练集对L S S VM模型参数进行寻优,解决参数随机导致的精度不佳问题及陷入局部最优问题.)将寻优后的S S A L S S VM预测结果与GA、G C参数寻优 模 型 预 测 结 果 比 对,从A U C值、MA E、MS E、RMS E评价指标都验证了S S A L S S VM预测的精度.)使用寻优后的S S A L S S VM模型对研究区域泥石流进行预测,从发生的概率及预测的等级两方面都证明该模型具有较高的可行性.参考文献:何伟芦山县洞峡子沟泥石流工程地质特征及成因机制分析J地质灾害与环境保护,():李宁,唐川,史青云,等九寨沟震区“”泥石流成因与致灾机制 研 究 J工 程 地 质 学 报,():罗超鹏,常鸣,武彬彬,等基于F L OW D的泥石流龙头运动过程模拟研究 J中国地质灾害与防治学报,():张永军,李松基于“甘肃武都火烧沟”公式的泥石流横向分布计算 J甘肃地质,():罗小惠,裴向军,郭斌长白山天池地区泥石流激发雨型与临界 雨 量 J科 学 技 术 与 工 程,():徐根祺,曹宁,李璐,等基于改进粒子群优化支持向量机的泥石流灾害预测模型 J国外电子测量技术,():翟淑花,冒建,南赟,等基于遗传规划的泥石流多因子融合预测 方 法 J中 国 地 质 灾 害 与 防 治 学 报,():刘育林,周爱红,袁颖基于G R A P C A B P神经网络模型的单沟泥石流危险性预测 J河北地质大学学报,():李丽敏,程少康,温宗周,等基于改进K P C A与混合核函数L S S V R的泥石流预测 J信息与控制,():李丽敏,张俊,温宗周,等基于布谷鸟优化轻量梯度提升机的泥石流预测 J科学技术与工程,():王英杰,丁明涛,张明慧灰色GM(,)模型在汶川县泥石流活动趋势预测中的应用 J地质灾害与环境保护,():张研,吴康丽,邓雪沁,等基于相关向量机的蒋家沟泥石流平均流速预测模型 J自然灾害学报,():李璐基于机器学习的滑坡地质灾害预报模型研究 D西安:西安工程大学,金龙,曾德智,孟可雨,等基于GWO L S S VM算法的海底管道腐蚀预测模型研究 J石油与天然气化工,():肖亚宁,孙雪,张亚鹏,等基于S O A L S S VM的S L S成形工艺参数优化研究 J机床与液压,():商立群,李洪波,侯亚东,等基于VMD I S S A K E LM的短期光伏发电功率预测 J电力系统保护与控制,():徐根祺,李丽敏,温宗周,等基于宽度学习模型的泥石流灾害预报 J山地学报,():石振明,吴彬,郑鸿超,等泥石流防治措施与冲击力研究进展 J地球科学,():HUANGY,Z HANGB C h a l l e n g e sa n dp e r s p e c t i v e s i nd e s i g n i n ge n g i n e e r i n gs t r u c t u r e sa g a i n s td e b r i s f l o wd i s a s t e rJE u r o p e a n J o u r n a l o f E n v i r o n m e n t a l a n d C i v i l E n g i n e e r i n g,():Z HANGXZ,T ANGCX,L IN,e ta l I n v e s t i g a t i o no f t h e W e n c h u a nC o u n t yd e b r i sf l o wd i s a s t e rs u g g e s t sn o n u n i f o r ms p a t i a la n dt e m p o r a lp o s t s e i s m i cd e b r i sf l o w e v o l u t i o np a t t e r n sJL a n d s l i d e s,():投稿网址:w w wj s j c l y k z c o m