基于粗糙集优化支持向量机的泥石流危险度预测模型

摘要：

为准确预测泥石流危险度,提出了基于粗糙集理论(rough set,RS)的粒子群算法(particle swarm optimization,PSD)优化支持向量机(support vector machine,SVM)模型.首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型.并将构建的RS-PSO-SVM模型用于对测试样本的预测.结果表明:在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为87.5％、87.5％、75％,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度.此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度.

关键词：粗糙集、粒子群算法、支持向量机、泥石流危险度

所属期刊栏目：19

分类号：P642.23(水文地质学与工程地质学)

资助基金：国家自然科学基金41301015;河北省教育厅重点项目ZD2015073, ZD2016038;石家庄经济学院国家自然科学基金预研基金syy201308

在线出版日期：2019-12-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：70-77