资源描述：
《支持向量机在泥石流危险度评价中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、第18卷第4期中国地质灾害与防治学报Vol.18No.42007年12月TheChineseJournalofGeologicalHazardandControlDec.2007支持向量机在泥石流危险度评价中的应用研究123原立峰,周启刚,马泽忠(11南京邮电大学电子信息科学系,江苏南京210003;21重庆工商大学旅游学院,重庆400067;31重庆市土地勘测规划院,重庆400020)摘要:为改善传统泥石流危险度评价方法存在的缺陷,提出了基于支持向量机的泥石流危险度评价方法,并建立了支持向量机评价模型。研究选取泥
2、石流一次(可能)最大冲出量(L1)、泥石流发生频率(L2)、流域面积(S1)、主沟长度(S2)、流域最大相对高差(S3)、流域切割密度(S6)和泥沙补给段长度比(S9)7个因子作为泥石流沟谷危险度评价因子,运用支持向量机理论,选用径向基(RBF)核函数,采取“试错法”进行参数优选;确定参数C=8,γ=2。以云南省37条泥石流沟的259个基础数据为样本进行学习训练和测试,建立了泥石流危险度评价的支持向量机模型。并将该模型应用于黄河积石峡水电站库区的泥石流危险性评价中进行验证。将模型评判结果和模糊数学方法的评价结果进行
3、对比分析,结果的一致性达到73133%。研究认为支持向量机方法能够成功地应用到泥石流危险度评价中,且具有较高的精度及很强的泛化能力,应用前景广阔。关键词:泥石流;危险度评价;支持向量机;模糊教学方法文章编号:100328035(2007)042029206中图分类号:P642123文献标识码:A本文提出了基于SVM的泥石流危险度评价方法,并0引言建立了SVM评价模型。首先介绍了SVM理论的基以往的泥石流危险度评价方法主要有3种,即反本思想、原理和算法,然后利用云南省37条泥石流沟映泥石流活动状况的直接指标法、反映泥
4、石流发育环的259个基础数据进行建模。最后将该模型运用到境背景条件的间接指标法及综合前两种方法的混合黄河积石峡水电站库区的泥石流危险性评价中进行[1～3]指标法。直接指标法虽然得出的结果可靠,但是验证,并取得良好的效果。需要掌握的泥石流资料不易获取;间接指标法能够方1支持向量机理论便地获取评价所需的资料,但评价结果的准确性又难以得到有效性验证;混合指标法虽然综合了前两种111基本思想方法的优点,但样区选择的代表性和工作程度又成为支持向量机理论的基本思想是将学习机器与有影响评价结果的决定因素。由于泥石流的发生、发展限
5、的训练样本相适应,通过内积函数定义非线性变换过程受到许多不可控随机因素的制约,具有明显的非将输入空间变换到一个高维特征空间,在这个高维特线性、复杂性特征,人们很难将这些直接或间接因子征空间中求取最优分类超平面,使得在原输入空间中与泥石流现象间建立起动力学方程来描述泥石流过不可分的数据变得线性可分。图1为线性可分的最程,并评价其危险程度。为了克服上述方法的缺陷,优分类超平面,其中实心点与空心点分别代表两类样许多学者将遥感[4]、GIS技术[2]、模糊数学[5]、灰色理本,分类间隔定义为两类中距离超平面最近的点到超论[
6、6]、投影寻踪[7]以及人工神经网络[8]等新的理论与平面的距离之和。最优分类超平面就是要求超平面在正确分类的前提下,分类间隔最大。分类间隔与推技术应用到泥石流危险度评价中,大大促进了泥石流广能力直接相关,分类间隔越大,推广能力就越强,这危险度评价研究的发展,提高了评价结果的科学性及可靠性。支持向量机(SupportVectorMachine,SVM)是基于收稿日期:2007203208;修回日期:2007205221VC(Vapnik-Chervonenkis)理论的一种新的创造性机基金项目:南京邮电大学“攀登计
7、划”资助项目(NY206075)器学习方法。最初于20世纪90年代由Vapnik提出,作者简介:原立峰(1978—),男,讲师,现主要从事遥感技术及GIS应用方面的研究。现已发展成为机器学习领域内若干标准的集大成者。中国地质灾害与防治学报30ZHONGGUODIZHIZAIHAIYUFANGZHIXUEBAO2007年是支持向量机的核心思想之一。12minimiseτ(w)=‖w‖w,b2subjecttoyi〈(wùxi〉+b)≥1,i=1,⋯,l(2)引入Lagrange函数12L(w,b,α)=‖w‖-2l∑
8、αi[yi〈(wùxi〉+b)-1](3)i=1图1分类超平面TlFig.1SeparatingHyperplane式中,αi=(α1,⋯,αm)≤R+为Lagrange算子。如果α>0则x为支持向量(SV)。可得到它的对偶问题:ii支持向量机具有严格的理论基础,采用结构风险lll1最小化原则,较之基于经验风险原理的神经网络具有minimise2∑∑yiyα
