基于支持向量机和增强学习算法的岩爆烈度等级预测

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...