共查询到16条相似文献，搜索用时 140 毫秒
1.
针对影响地震伤亡人数的评价指标数量较多且各指标之间存在着复杂的非线性关系,运用机器学习理论,提出了基于支持向量机(Support Vector Machine)的地震伤亡人数预测模型;首先利用主成分分析法(Principle Component Analysis)对7个地震死亡人数影响指标进行数据降维,然后对提取出的主成分进行归一化处理,将归一化的主成分数据作为预测模型的输入向量,将地震伤亡人数作为预测模型的输出向量;以27个地震伤亡实例作为学习样本进行训练,运用网格搜索法(Grid Search Method)寻优获得最优支持向量机参数,最终建立基于PCA-GSM-SVM的地震死亡人数预测模型,并对5组样本进行死亡人数预测。结果表明:PCA-GSM-SVM模型的最小误差、最大误差和平均误差分别为5.12%、15.7%和9.16%,其平均误差相比于GSM-SVM模型和SVM模型分别降低6.51%和7.11%,因此PCA-GSM-SVM模型预测精度较高,可在工程实际中推广。 相似文献
2.
为有效解决地震伤亡人数预测所需影响因子多、 运算量大、 模型训练烦琐等问题, 构建了主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型, 采用PCA对地震伤亡人数影响因子进行降维以去除贡献率较低的主成分, 将贡献率较大的主成分作为支持向量机的输入变量, 以地震伤亡人数作为输出变量, 利用GA对SVM模型性能参数进行优化, 建立基于PCA-GA-SVM的地震伤亡人数预测模型, 并对测试样本进行预测, 结果表明: 与SVM模型、 GA-SVM模型和PCA-GA-BP模型相比, PCA-GA-SVM模型的预测准确率和运行效率分别提高 4.73%、 1.14%、 9.99% 和47.05%、 36.76%、 44.55%。结果显示, PCA-GA-SVM模型预测精度高, 泛化能力强, 能够科学合理地对地震伤亡人数作出预测。 相似文献
3.
4.
南图尔盖盆地K油田古生界(Pz)岩性多样、孔隙结构复杂,针对常规岩性解释方法对该储层岩性识别准确度未达到预期效果,严重制约了测井储层解释等问题,提出基于粒子群算法优化支持向量机(PSO-SVM)的岩性识别方法.通过岩心资料分析不同岩性的测井响应特征,建立测井相识别图版.选择对研究区岩性敏感的自然伽马、阵列感应电阻率、声波、中子、密度与光电吸收截面指数等七条测井曲线参数作为输入特征值,以粒子群算法优选合适的支持向量机参数(惩罚因子和核函数参数)对研究区4口取心井进行样本学习,建立基于PSO-SVM的岩性识别模型,其识别准确率达到了97%.相对于传统SVM算法,PSO-SVM岩性识别模型预测结果的速度更快,精度更高.通过将该模型应用于取心井与试油井,在正确识别岩性的同时,有效提高了测井储层解释的准确性.结果表明,在K油田复杂岩性识别中应用PSO-SVM方法,可为提高测井储层解释的准确性提供较可靠的岩性依据. 相似文献
5.
6.
《地震工程与工程振动》2015,(6)
通过对地震伤亡资料的综合考察研究,本文构建了影响地震伤亡人数的指标集,利用粗糙集理论约简此指标结构,建立最小二乘支持向量回归机预测模型预测伤亡人数,并用粒子群优化算法对模型参数进行优化。最后,将模型运用于云南地震伤亡人数预测,结果和RS-BP神经网络预测模型对比分析,验证了该模型预测的有效性。又将模型应用于芦山和玉树地震死亡人数的预测,验证了模型的适用性。实验结果表明该模型能在地震发生后,给决策者提供人员救护、安置以及应急物资供应、统筹调度的有效依据。 相似文献
7.
基于统计学习理论与地理信息系统(GIS)技术的地震滑坡灾害空间预测是一个重要的研究方向,其可以对相似地震条件下地震滑坡的发生区域进行预测.2010年4月14日07时49分(北京时间),青海省玉树县发生了Mw6.9级大地震,作者基于高分辨率遥感影像解译与现场调查验证的方法,圈定了2036处本次地震诱发滑坡,这些滑坡大概分布在一个面积为1455.3 km2的矩形区域内.本文以该矩形区域为研究区,以GIS与支持向量机(SVM)模型为基础,开展基于不同核函数的地震滑坡空间预测模型研究.应用GIS技术建立玉树地震滑坡灾害及相关滑坡影响因子空间数据库,选择高程、坡度、坡向、斜坡曲率、坡位、水系、地层岩性、断裂、公路、归一化植被指数(NDVI)、同震地表破裂、地震动峰值加速度(PGA)共12个因子作为地震滑坡预测因子.以SVM模型为基础,基于线性核函数、多项式核函数、径向基核函数、S形核函数等4类核函数开展地震滑坡空间预测研究,分别建立了玉树地震滑坡危险性指数图、危险性分级图、预测结果图.4类核函数对应的模型正确率分别为79.87%,83.45%,84.16%,64.62%.基于不同的训练样本开展模型训练与讨论工作,表明径向基核函数是最适用于该地区的地震滑坡空间预测模型.本文为地震滑坡空间预测模型中核函数的科学选择提供了依据,也为地震区的滑坡防灾减灾工作提供了参考. 相似文献
8.
地震前兆综合预测支持向量机模型研究 总被引：4，自引：0，他引：4
该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。 相似文献
9.
10.
水库诱发地震震级(M)的预测是在地震工程中的一项重要任务。本文采用支持向量机(SVM)和高斯过程回归(GPR)模型根据水库的参数预测了水库诱发地震震级(M)。综合参数(E)和最大的水库深度(H)作为支持向量机和高斯过程回归模型的输入参数。我们给出一个方程确定水库诱发地震震级(M)。将本文开发的支持向量机和建立的高斯过程回归方法与人工神经网络(ANN)方法相比。结果表明,本文研发的支持向量机和高斯过程回归方法是预测水库诱发地震震级(M)的有效工具。 相似文献
11.
12.
13.
对地震伤亡人口的预测需要同时考虑地震破裂特征本身、灾区人口及其生活环境等特征,其是一个典型的复杂预测系统。本文基于深度学习神经网络方法和1976—2020年间78次地震伤亡事件,构建了中国大陆地震伤亡预测模型,综合使用发震年代、发震时刻、发震季节、Ⅵ度及以上区域受灾面积、Ⅵ度及以上区域受灾人口数、震源深度、极震区烈度和震源机制类型等8个参数,对包括2008年汶川8.0级和2010年玉树7.1级地震在内的9次地震事件进行了预测检验。结果显示,该预测模型能够较好地反映出中小地震的伤亡人口特征,除汶川地震和玉树地震外的7次地震伤亡事件预测值与实际值误差均在一个数量级上,对于2008年汶川8.0级和2010年玉树7.1级地震,预测值明显小于实际伤亡人口;其中玉树地震发震断层位于玉树州府结古镇之下,造成了相对较多的人口伤亡数量;汶川地震的伤亡人口数量不仅由地震直接导致,还包括了地震滑坡等次生灾害引起的伤亡数量。 相似文献
14.
15.
16.
为了借助容易获取的地震相关因素间接预测地震震级,提出基于相关向量机（Relevance Vector Machine,RVM）方法的地震震级预测模型。通过样本学习建立地震震级与地震累积频度、累积释放能量、平均震级、b值、η值和相关区震级等6个主要影响因素之间的非线性映射关系,利用已知影响因素预测地震震级。结果表明:RVM模型预测结果均优于BP神经网络及SOM-BP神经网络预测结果;通过敏感因子分析比较各因素的敏感程度,b值和η值最为突出,在震级研究中应重点分析。综合分析,RVM模型具有精度高和离散性小等优点,对地震震级预测有较好的推广价值。 相似文献