基于粗糙集优化支持向量机的泥石流危险度预测模型

作     者：王晨晖 袁颖 周爱红 刘立申 王利兵 陈凯南 WANG Chen-hui;YUAN Ying;ZHOU Ai-hong;LIU Li-shen;WANG Li-bing;CHEN Kai-nan

作者机构：河北省地震局红山基准地震台邢台054000 河北地质大学勘查技术与工程学院石家庄050031 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2019年第19卷第31期

页      面：70-77页

学科分类：08[工学] 0837[工学-安全科学与工程] 

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)资助 

主　　题：粗糙集 粒子群算法 支持向量机 泥石流危险度 

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。