基于支持向量机和增强学习算法的岩爆烈度等级预测 |
| |
引用本文: | 杨玲,魏静.基于支持向量机和增强学习算法的岩爆烈度等级预测[J].地球科学,2023(5):2011-2023. |
| |
作者姓名: | 杨玲 魏静 |
| |
作者单位: | 北京交通大学土木建筑工程学院 |
| |
基金项目: | 国家自然科学基金资助项目(No.42172291); |
| |
摘 要: | 岩爆烈度等级的准确预测对减轻乃至消除岩爆危害具有重要意义.针对岩爆烈度等级预测模型特征选取模糊和预测准确度不高问题,提出了一种ReliefF-Pearson特征选择下基于SSA-SVM-AdaBoost算法的岩爆等级预测模型.结合ReliefF的权值思想和Pearson系数的相关性原理对特征指标进行选择,利用麻雀搜索算法(SSA)优化支持向量机(SVM)以获得最优模型初始参数,将多个SSA优化后的SVM作为弱分类器组成自适应增强学习算法(AdaBoost)的强分类器.首先通过收集分析国内外岩爆案例数据,选取7种特征指标构成原始特征空间,然后利用ReliefF-Pearson从原始特征空间中筛选出4维优势特征,采用随机过采样对数据进行处理,最后将其输入到SSA-SVM-AdaBoost模型中进行分类预测.研究结果表明:基于ReliefF-Pearson的特征选择方法能够有效提取优势特征;基于多SSA-SVM的AdaBoost模型预测准确率相较于SSA-SVM和单层决策树AdaBoost模型均提高12.5%,相较于SVM提高31.25%,说明SSA-SVM作为弱分类器在分类性能上要优于单层...
|
关 键 词: | 岩爆烈度等级 特征选择 支持向量机 麻雀搜索算法 增强学习算法 工程地质 |
|