基于改进极限学习机的泥石流发生预测

发布时间：2024-07-05 17:46

　　为提高泥石流预测预报的准确性,提出一种基于DBSCAN聚类的改进极限学习机(ELM)算法。首先,利用DBSCAN算法对泥石流发生训练的数据进行聚类处理;其次,将聚类得到的不同训练集分类训练ELM分类器;最后,利用ELM分类器对预测集数据进行预测。实验结果表明,利用改进ELM算法对泥石流发生预测的平均准确率达到91.6%,改进ELM算法的稳定性与传统ELM算法相比有明显提高,与传统ELM算法、BP神经网络和Fisher预测法相比,改进ELM算法的预测精度更高。

【文章页数】：5 页

【部分图文】：

图2邻域为1.5时的聚类

图1邻域为1时的聚类图3邻域为2时的聚类

图3邻域为2时的聚类

图2邻域为1.5时的聚类图4邻域为2.5时的聚类

图1邻域为1时的聚类

在ELM算法当中，选取Sigmoid函数作为激活函数，输入权值w和隐含层偏置b随机初始化。为了获得最佳的聚类效果，选择区分度最高的集水区平均坡度和主沟长度作为聚类依据，为了保证获得正常数目的类别数并且区分出噪声点，设置最少点数量MinPts=2；分别对邻域Eps=1、Eps=1.....

图4邻域为2.5时的聚类

图3邻域为2时的聚类从图1～图4分析可得，当Eps增大时，类簇数和噪声点逐渐减少。Eps取1时，有5个类簇，9个噪声点存在；Eps取1.5时，有6个类簇，3个噪声点存在；Eps取2时，有2个类簇，3个噪声点存在；Eps取2.5时，有2个类簇，2个噪声点存在。随着邻域的增大，类簇....

本文编号：4001302