滑坡灾害空间预测支持向量机模型及其应用

随着GIS技术在滑坡灾害空间预测研究中的广泛应用,滑坡灾害空间预测模型成为研究的热点问题。在总结滑坡灾害空间预测研究现状的基础上,简要介绍了两类和单类支持向量机的基本原理。以香港自然滑坡空间预测为例,采用两类和单类支持向量机进行滑坡灾害空间预测,并与Logistic回归模型进行了比较。结果表明,两类支持向量机模型优于Logistic回归模型,而Logistic回归模型优于单类支持向量机模型。     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

基于集合经验模态分解与支持向量机回归的位移预测方法:以三峡库区滑坡为例

三峡库区滑坡地表位移-时间曲线多呈台阶型特征。基于位移响应成分模型的滑坡位移预测方法是该类滑坡位移预测的主要方法之一。针对目前水库滑坡波动项位移预测工作中尚未考虑主要诱发因素的高频成分与低频成分的问题,提出了基于时间序列集合经验模态分解(EEMD)与重构的粒子群优化-支持向量机回归(PSO-SVR)位移预测方法。以白水河滑坡2003年7月至2013年3月117个地表位移数据为例,采用EEMD法将位移时间序列分解为趋势项位移和波动项位移,该趋势项位移用最小二乘法的二次多项式拟合预测;根据EEMD和t检验法,确定高频降雨量、低频降雨量、高频库水位和低频库水位,结合其他常用因素,采用灰色关联分析确定白水河滑坡影响波动项位移的优势因素为高频降雨量和月间库水位变化,基于优势因素建立PSO-SVR模型预测波动项位移。结果表明,总预测值的平均相对误差为0.009 8,方差比为0.023 9,小误差概率为1,预测效果较好。利用该方法对三峡库区其他5个台阶型滑坡进行了预测,预测位移与实测位移较吻合,进一步证明了该方法的有效性,对同类滑坡的预测预报具有一定的借鉴意义。     

基于优化经验模态分解和聚类分析的滑坡位移智能预测研究

针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。     

基于支持向量机-马尔可夫链的位移时序预测

结合支持向量机和马尔可夫链,提出了一种新的位移时序预测模型--支持向量机－马尔可夫链预测模型（SVM-MC）。通过对实测位移值的学习,利用经粒子群算法优化的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上应用马尔可夫链确定位移时序的状态转移概率矩阵,通过对状态的划分、实测值与支持向量机拟合值的绝对误差及相对误差等指标的分析,实现了对预测结果的改进。将该模型应用到某工程永久船闸高边坡的位移时序预测中,结果表明,该模型具有科学可靠、预测精度高的优点,在岩土体位移时序预测中具有有一定工程应用价值。     

基于多算法参数优化与SVR模型的白水河滑坡位移预测

滑坡预测对于减轻地质灾害的危害十分重要,但对科学研究却很有挑战性。基于变形特征和位移监测数据,建立了三峡库区白水河滑坡的时间序列加法模型。在模型中,累计位移分为3个部分:趋势、周期和随机项,解释了由内部因素（地质环境,重力等）、外部因素（降雨,水库水位等）、随机因素（不确定性）共同作用的影响。在对位移数据进行统计分析后,提出了一个3次多项式模型对趋势项进行学习,并利用多算法寻优的支持向量回归机（SVR）模型对周期项进行训练与预测。结果表明,在预测精度上,基于时间序列与遗传算法-支持向量回归机（GA-SVR）耦合的位移预测模型要明显优于网格寻优（GS）以及粒子群算法（PSO）优化的支持向量回归机模型。因此,GA-SVR模型在滑坡位移预测方面可以得到较好的应用。在“阶跃型”滑坡位移预测中,GA-SVR将具有广阔的应用前景。     

基于整体经验模态分解和支持向量回归的北京市 PM 2．5预测

为了更好地掌握大气中PM2.5浓度的变化规律,利用EEMD-SVR混合模型对该地区的PM2.5浓度值进行了短期预测。首先,通过采用整体经验模态分解(EEMD)方法分析北京市PM2.5,把原始时间序列分解成多个固有模态函数和趋势项;然后,对各阶固有模态函数进行周期性分析,揭示了北京市PM2.5的周期性变化特点;最后,对经过EEMD分解后的各阶固有模态函数和趋势项用支持向量机回归(SVR)方法进行预测。结果表明,EEMD-SVR混合模型比单一的SVR模型预测精度更高。     

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明：在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。     

基于信息量法和支持向量机的芦山县滑坡危险性评价

地质滑坡对人员和经济形成了巨大威胁,因此,区域地质滑坡危险性评价变得极其重要.为了将滑坡带来的损失降到最低,这里以芦山县作为研究区,分析研究区内地质环境的滑坡成因等相关特征,选择12种滑坡因子作为其滑坡危险性评价指标,采用AHP层次分析法确定滑坡因子权重,使用基于径向基核函数的支持向量机模型和信息量模型,对芦山区域进行...     

逻辑回归与支持向量机模型在滑坡敏感性评价中的应用

白龙江流域是我国滑坡泥石流灾害四大高发区之一,进行该区域滑坡敏感性评价,能够为决策者在灾害管理和设施建设规划方面提供帮助,对区域防灾减灾具有重要指导意义。本研究采用边坡单元为基本研究单元,在野外调查及前人研究基础上,选择控制该区域滑坡发育的19个要素作为影响因子; 经过主成分分析和独立性检验得到该区域对滑坡形成贡献最大的6个因子：高程、坡度、坡向、岩性、断裂距离和人口密度; 分别使用二元逻辑回归模型（LR）和支持向量机模型（SVM）对该区域进行滑坡敏感性评价; 最后,采用ROC曲线对模型精度进行验证。研究结果表明,两模型各能将38.76%、14.48%、9.40%、11.28%、26.07%和13.49%、21.61%、8.17%、26.70%、30.04%的边坡单元分别预测为极高危险区、高危险区、中度危险区、低危险区和极低危险区; 精度验证结果表明两种模型均能有效地进行该区域滑坡敏感性评价,并且支持向量机模型具有更好的分类能力、预测精度和稳定性。     

基于BA-LSSVM模型的黄土滑坡致灾范围预测

滑坡致灾范围的预测研究一直是滑坡研究的重点难点之一。以陕西泾阳南塬滑坡为研究对象,选取滑坡高度、体积、滑源区长度以及宽度为影响因子,采用蝙蝠算法对最小二乘支持向量机中的正则化参数γ和σ₂进行寻优计算,建立BA-LSSVM滑坡致灾范围预测模型,并于多元线性回归模型进行对比。结果表明,该模型具有较高的预测精度和效果,可作为该地区防灾减灾依据。     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。     

基于支持向量机的岩体工程分级

提出了岩体工程分级的一种新方法,即支持向量机方法。该方法可以根据有限的学习样本,建立影响岩体级别的条件的因素和级别之间的一种非线性映射,可以对未知的岩体进行工程分级。结果表明,这种方法具有较高的准确率。     

岩爆分类的支持向量机方法

针对岩爆分类问题,提出了基于支持向量机的分类方法。通过对影响岩爆因素的分析,运用支持向量机理论建立岩爆类别的支持向量机模型。结果表明,基于支持向量机的岩爆分类方法具有较高的准确率,该方法是科学可行的,具有广泛的应用前景。     

围岩破坏模式识别的支持向量机研究

围岩的破坏受到多种因素的影响,并且各破坏模式之间没有明显的界限,因此其破坏模式的识别是一种模糊、非线性、小样本、高维数的模式识别问题。支持向量机（SVM）是最近发展起来的一种新机器学习技术,已在模式识别领域有很多成功地应用。基于支持向量机的思想,提出了围岩破坏模式识别的支持向量机方法,很好地表达了围岩破坏模式与其影响因素之间的复杂非线性关系。具体算例表明,该方法是可行的,具有一定的准确性。     

基于小波变换和GALSSVM的边坡位移预测

边坡变形是一个受多种因素综合作用的复杂非线性动力学演化过程,用现有的物理模型来解决边坡变形的预测问题有很大难度。大量的研究工作表明,用实测的边坡位移时间序列来预测边坡未来变形更为准确,而将多种方法组合起来进行预测成为研究的主要趋势。在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。首先利用小波变换将边坡时间序列分解为低频分量和高频分量,然后利用互信息法和伪近邻法得到各分量的时间延迟和嵌入维数并进行相空间重构,再根据各个相空间的特点建立相应的GALSSVM预测模型,最后把各分量的预测结果进行小波重构,重构后的结果即为最终的边坡位移预测结果。对丹巴滑坡预测研究表明,这种新的预测模型具有较高的预测精度,可以应用于实际工程     

支持向量机在地球化学勘查中的应用

将K均值聚类和v -SVM结合, 推出一种改进的分类方法。该方法根据指标的相关性, 构建了具有强分辨能力的分类模型, 并将模型应用于内蒙某地勘查地球化学研究, 查明了所研究元素之间的相似性, 建立了v - SVM分类机, 实现了组合异常的圈定。     

混沌时间序列支持向量机模型及其在径流预测中应用

以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预测模型建模的思路、特点及关键参数的选取。利用饱和关联维数法进行相空间重构,并运用改进小数据量法计算最大Lyapunov指数,对宜昌站月径流时间序列进行混沌特性识别。在运用混沌时间序列的支持向量机模型对月径流预测的应用中,引入了径向基核函数,简化了非线性问题的求解过程。实例表明,该模型能较好地处理复杂的水文序列,具有较高的泛化能力和很好的预测精度。     

基于网格搜索法优化支持向量机的围岩稳定性分类模型

为科学评价围岩稳定性,本次研究借助支持向量机(SVM)处理小样本、非线性问题能力强的特性,对围岩的稳定性进行了分类。选取16组围岩数据作为学习样本,以岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量5个指标作为模型输入,围岩稳定程度为模型输出,建立了基于支持向量机的围岩稳定性分类模型。为增强模型的推广性能,提高其预测准确率,运用改进的网格搜索方法(GSM)寻找最优的支持向量机参数,并对8组围岩数据进行预测,并同BP神经网络模型的预测结果进行对比。结果表明,建立的GSM-SVM模型对预测样本的评判结果与实际结果一致,其预测精度较BP神经网络有很大的提升。