期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于BP神经网络与SVM模型的黄尾河径流预测比较分析
被引量：
7
1
作者
顾哲衍
陈杭
伊鑫
《西北林学院学报》
CSCD
北大核心
2020年第5期201-206,共6页
比较分析BP神经网络与SVM模型在径流预测应用中的性能特征。以降雨量为预报因子,采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟,并对二者的预测性能进行比较与评价。结果表明,黄尾河流域BP模...
比较分析BP神经网络与SVM模型在径流预测应用中的性能特征。以降雨量为预报因子,采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟,并对二者的预测性能进行比较与评价。结果表明,黄尾河流域BP模型模拟的总体相对误差为14.43%,合格率为77.5%,确定性系数为0.76,预报精度等级为乙级;SVM模拟的总体相对误差为12.41%,合格率、确定性系数及预报精度等级与BP模型相同。SVM模型模拟结果较BP模型而言更集中于较小的误差范围内。BP模型的累积误差>SVM模型,并且随着误差自由度的增大,这种差距有扩大的趋势,表明SVM模型的误差范围较小,误差间隔小于BP模型,模拟性能较BP模型更稳定。
展开更多
关键词
黄尾河
径流预测
神经网络
模型
(BP)
支持向量机
模型
(
svm
)
下载PDF
职称材料
基于CF与优化RF模型耦合的泰山地区地质灾害易发性评价
2
作者
咸利民
季民
+1 位作者
刘法军
李强
《水土保持通报》
CSCD
北大核心
2024年第5期134-143,共10页
[目的]针对泰山地区地质灾害频发这一现状,研究并构建地质灾害易发性评价模型,为该地区的地质灾害预防与治理工作提供参考。[方法]以泰山地区为研究区,采用确定性系数模型与粒子群算法优化RF模型耦合的方法,完成对研究区的地质灾害易发...
[目的]针对泰山地区地质灾害频发这一现状,研究并构建地质灾害易发性评价模型,为该地区的地质灾害预防与治理工作提供参考。[方法]以泰山地区为研究区,采用确定性系数模型与粒子群算法优化RF模型耦合的方法,完成对研究区的地质灾害易发性评价。该方法是利用确定性系数(CF)模型计算影响因子对地质灾害的敏感值,作为模型训练的属性值,引入粒子群算法对随机森林(RF)模型进行参数寻优,提高模型对地质灾害的预测精度和准确度。选取坡度、距道路距离、土地利用类型、植被指数等11个影响因子,采用皮尔逊相关系数法和多重共线性检查进行影响因子筛选择优,绘制ROC和PR曲线对训练模型进行精度评价。[结果]CF-PSO-RF耦合模型相比单一SVR、单一RF和CF-PSO-SVR模型的极高易发区面积比例分别提高10.55%,10.04%和5.08%,AUC值分别提高14%,5.1%和1.7%,AP精度分别提高了11.7%,4.4%,1.2%。预测结果显示,泰山地区的极高、高易发区主要位于泰山景区、岱岳区北部等地形起伏和坡度较大的区域,面积所占比例为28.05%,涵盖了60.1%的地质灾害点;相反,低、极低易发区主要分布在建设用地、农田等地势平坦区域,面积比例为59.26%。[结论]将确定性系数模型与优化后RF模型耦合,相比单一模型精度有进一步的提升,又优于CF-PSO-SVR模型精度,评价结果符合实际情况。
展开更多
关键词
地质灾害易发性评价
粒子群算法
确定性系数
模型
(CF)
随
机
森林
模型
(RF)
支持向量机
模型
(
svm
)
泰山地区
下载PDF
职称材料
基于PSO-SVM的凤县公路边坡地质灾害空间预测
被引量：
4
3
作者
吴迪
《中国地质灾害与防治学报》
CSCD
2018年第6期112-120,共9页
边坡地质灾害是造成凤县公路长时间中断的主要原因之一,开展灾害空间预测对提高公路抗灾能力和区域防减灾能力具有重要意义。在分析凤县公路边坡地质灾害概况和选取预测因子的基础上开展灾害隐患点调查,采用粒子群改进支持向量机模型(PS...
边坡地质灾害是造成凤县公路长时间中断的主要原因之一,开展灾害空间预测对提高公路抗灾能力和区域防减灾能力具有重要意义。在分析凤县公路边坡地质灾害概况和选取预测因子的基础上开展灾害隐患点调查,采用粒子群改进支持向量机模型(PSO-SVM)和地理信息系统进行灾害空间预测并逐网格计算灾害易发性指数,应用成功率法检验预测结果,基于灾害易发性指数将凤县分为高易发、中易发、低易发和基本安全4级易发区。结果表明:凤县公路边坡地质灾害的易发性指数最小为0. 08、最大为0. 96,粒子群改进支持向量机的曲线下面积为0. 907,易发性从西向东逐渐降低;基本安全、低易发、中易发和高易发区分别占凤县总面积的48. 34%、23. 92%、18. 46%和9. 28%,灾害调查确定的423处灾害隐患点中有23处、41处、96处和263处位于以上区域,分别占总数的5. 31%、9. 45%、22. 16%和63. 08%,G316和S201、S205均有部分路段穿越高易发区。
展开更多
关键词
凤县
粒子群改进
支持向量机
模型
(PSO-
svm
)
公路边坡地质灾害
空间预测
地理信息系统
下载PDF
职称材料
题名
基于BP神经网络与SVM模型的黄尾河径流预测比较分析
被引量：
7
1
作者
顾哲衍
陈杭
伊鑫
机构
江苏省水利勘测设计研究院有限公司
出处
《西北林学院学报》
CSCD
北大核心
2020年第5期201-206,共6页
基金
国家自然科学基金(31200534)。
文摘
比较分析BP神经网络与SVM模型在径流预测应用中的性能特征。以降雨量为预报因子,采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟,并对二者的预测性能进行比较与评价。结果表明,黄尾河流域BP模型模拟的总体相对误差为14.43%,合格率为77.5%,确定性系数为0.76,预报精度等级为乙级;SVM模拟的总体相对误差为12.41%,合格率、确定性系数及预报精度等级与BP模型相同。SVM模型模拟结果较BP模型而言更集中于较小的误差范围内。BP模型的累积误差>SVM模型,并且随着误差自由度的增大,这种差距有扩大的趋势,表明SVM模型的误差范围较小,误差间隔小于BP模型,模拟性能较BP模型更稳定。
关键词
黄尾河
径流预测
神经网络
模型
(BP)
支持向量机
模型
(
svm
)
Keywords
Huangwei River
runoff prediction
neural network
svm
分类号
S715.3 [农业科学—林学]
下载PDF
职称材料
题名
基于CF与优化RF模型耦合的泰山地区地质灾害易发性评价
2
作者
咸利民
季民
刘法军
李强
机构
山东科技大学测绘与空间信息学院
山东省地质矿产勘查开发局第五地质大队
聊城市地质矿产调查监测中心
出处
《水土保持通报》
CSCD
北大核心
2024年第5期134-143,共10页
基金
2023年山东省本科教学改革研究重大项目“面向智慧城市的测绘类专业人才培养探索与实践”(Z2023208)。
文摘
[目的]针对泰山地区地质灾害频发这一现状,研究并构建地质灾害易发性评价模型,为该地区的地质灾害预防与治理工作提供参考。[方法]以泰山地区为研究区,采用确定性系数模型与粒子群算法优化RF模型耦合的方法,完成对研究区的地质灾害易发性评价。该方法是利用确定性系数(CF)模型计算影响因子对地质灾害的敏感值,作为模型训练的属性值,引入粒子群算法对随机森林(RF)模型进行参数寻优,提高模型对地质灾害的预测精度和准确度。选取坡度、距道路距离、土地利用类型、植被指数等11个影响因子,采用皮尔逊相关系数法和多重共线性检查进行影响因子筛选择优,绘制ROC和PR曲线对训练模型进行精度评价。[结果]CF-PSO-RF耦合模型相比单一SVR、单一RF和CF-PSO-SVR模型的极高易发区面积比例分别提高10.55%,10.04%和5.08%,AUC值分别提高14%,5.1%和1.7%,AP精度分别提高了11.7%,4.4%,1.2%。预测结果显示,泰山地区的极高、高易发区主要位于泰山景区、岱岳区北部等地形起伏和坡度较大的区域,面积所占比例为28.05%,涵盖了60.1%的地质灾害点;相反,低、极低易发区主要分布在建设用地、农田等地势平坦区域,面积比例为59.26%。[结论]将确定性系数模型与优化后RF模型耦合,相比单一模型精度有进一步的提升,又优于CF-PSO-SVR模型精度,评价结果符合实际情况。
关键词
地质灾害易发性评价
粒子群算法
确定性系数
模型
(CF)
随
机
森林
模型
(RF)
支持向量机
模型
(
svm
)
泰山地区
Keywords
geological hazard susceptibility assessment
particle swarm optimization algorithm
certainty factor(CF)model
random forest(RF)model
support vector machine(
svm
)model
Taishan area
分类号
P642.2 [天文地球—工程地质学]
X43 [天文地球—地质矿产勘探]
下载PDF
职称材料
题名
基于PSO-SVM的凤县公路边坡地质灾害空间预测
被引量：
4
3
作者
吴迪
机构
陕西铁路工程职业技术学院测绘工程系
出处
《中国地质灾害与防治学报》
CSCD
2018年第6期112-120,共9页
基金
陕西铁路工程职业技术学院2017年第二批科研基金项目(KY2017-048)
文摘
边坡地质灾害是造成凤县公路长时间中断的主要原因之一,开展灾害空间预测对提高公路抗灾能力和区域防减灾能力具有重要意义。在分析凤县公路边坡地质灾害概况和选取预测因子的基础上开展灾害隐患点调查,采用粒子群改进支持向量机模型(PSO-SVM)和地理信息系统进行灾害空间预测并逐网格计算灾害易发性指数,应用成功率法检验预测结果,基于灾害易发性指数将凤县分为高易发、中易发、低易发和基本安全4级易发区。结果表明:凤县公路边坡地质灾害的易发性指数最小为0. 08、最大为0. 96,粒子群改进支持向量机的曲线下面积为0. 907,易发性从西向东逐渐降低;基本安全、低易发、中易发和高易发区分别占凤县总面积的48. 34%、23. 92%、18. 46%和9. 28%,灾害调查确定的423处灾害隐患点中有23处、41处、96处和263处位于以上区域,分别占总数的5. 31%、9. 45%、22. 16%和63. 08%,G316和S201、S205均有部分路段穿越高易发区。
关键词
凤县
粒子群改进
支持向量机
模型
(PSO-
svm
)
公路边坡地质灾害
空间预测
地理信息系统
Keywords
Feng county
particle swarm improves support vector machine (PSO-
svm
)
highway slope geo-
disaster
spatial prediction
Geography Information System (GIS)
分类号
U416.12 [交通运输工程—道路与铁道工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于BP神经网络与SVM模型的黄尾河径流预测比较分析
顾哲衍
陈杭
伊鑫
《西北林学院学报》
CSCD
北大核心
2020
7
下载PDF
职称材料
2
基于CF与优化RF模型耦合的泰山地区地质灾害易发性评价
咸利民
季民
刘法军
李强
《水土保持通报》
CSCD
北大核心
2024
0
下载PDF
职称材料
3
基于PSO-SVM的凤县公路边坡地质灾害空间预测
吴迪
《中国地质灾害与防治学报》
CSCD
2018
4
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
