基于不确定贝叶斯算法在滑坡危险性预测的应用研究

发布时间：2019-10-09 20:22

【摘要】：随着科技发展与进步,计算机技术已经逐渐融入到国民生产的各个领域,将贝叶斯分类技术应用到黄土滑坡预测领域的研究也越来越受到广大学者的关注。传统的贝叶斯分类技术是批量学习方式,需要在进行学习之前,准备好所有的数据,并且对数据的准确性要求很高。然而诱发黄土滑坡的降雨量是一个区间不确定数据,而且随着时间的变迁,历史数据会时刻发生变化、新数据也会日益增加。因此在构建滑坡危险性分类预测模型的过程中难以有效地获取构建预测模型所需的参数和定量刻画降雨这一诱发滑坡的因素。为了更好的刻画不确定数据,就需要使用不确定数据挖掘技术对不确定数据进行定量分析。为了使分类模型能够更好适应新的数据,迫切需要研究增量学习的方法,渐进的进行知识更新,且能修正和加强以前的知识,使得更新后的知识能适应新增加的数据。首先,本文针对构建分类模型过程中难以定量刻画区间不确定属性数据,引入不确定贝叶斯算法,将不确定数据的可能世界模型与朴素贝叶斯分类模型结合起来,构建了不确定贝叶斯分类模型,从而有效刻画降雨量这一属性级不确定的属性。其次,本文针对难以获取构建预测模型所需的完整参数和数据增加或更新导致现有贝叶斯分类方法预测有效精度不高的问题,以增量学习和贝叶斯分类思想为基础提出不确定贝叶斯增量算法,从日益增加的新数据中得到有用信息,并设计实现分类模型的自动更新,降低对完备训练元组的依赖性,对新增加的数据有更高的识别率。接着,本文对整个分类预测模型引擎进行了概述,对该分类预测引擎的各个子模块进行详细的介绍。详细描述数据仓库的构建过程,并举例说明了数据预处理中消减维数、数据清理、合并数据表和投影变换的过程。最后,本文基于黄土滑坡点确定以及不确定性特征集的数据设计了不确定贝叶斯分类模型和朴素贝叶斯分类模型的对比试验、不确定贝叶斯增量分类模型与不确定贝叶斯分类模型和朴素贝叶斯分类模型的对比试验。分别从预测的有效精度、总体预测精度和时间需求方面进行对比,实验结果表明,在数据完备的情况下,不确定贝叶斯算法能够有效刻画不确定区间数据,与朴素贝叶斯分类算法相比有较好的有效分类精度和总体精度;在数据不完备的情况下,不确定增量算法有较好的鲁棒性,较高的准确率,弥补了传统分类器和不确定贝叶斯分类器每次建模需要重新开始从而耗费大量时间与资源的缺陷。
【图文】：

不确定区间,示例,数据,黄土

115 凸型 71 裸露黄土 80-361 平直 228 旱地黄土 50-7121 凸型 170 旱地粉土 35-577 平直 53 草地黄土 68-967 凹型 305 旱地砂岩 15-260 平直 12 裸露黄土 0-545 平直 198 旱地粉土 35-781 平直 263 旱地黄土 80-165 凹型 100 裸露黄土 70-1117 平直 205 裸露砂岩 7-1量随机分布在区间 [ a ,b]中，现有的朴素贝叶斯算法理论如使用朴素贝叶斯分类理论刻画降雨这一属性，势必将。为了能更好的刻画降雨区间属性，在本章的后续部分术和增量学习技术，以便更好的拟合实际降雨量。定贝叶斯分类算法理论

部分子,富县,滑坡灾害,调查人员

本文从中国地质调查局西安地调中心的GIS数据库中，，选取延安市宝塔区、安塞、富县、甘泉县、黄陵县、黄龙县、吴起县、延川县、宜川、子长县共十个区县多年以来滑坡灾害点调查数据作为待处理的数据，如图4.2-4.5。各区县灾害调查统计点分别存储在不同的数据文件中，如表4.1。表 4.1 各区县滑坡灾害点统计编号县(区)名称统计滑坡点(个)1 宝塔区 2932 子长县 373 安塞县 2504 富县 6595 甘泉县 556 黄陵县 1157 黄龙县 128 吴起县 3319 延川县 10610 宜川县 9其中子长县调查滑坡灾害点37个，由调查人员汇总在Excel表中，如图4.2；安塞县调查滑坡灾害点250个，由调查人员汇总在Access数据库中；富县调查滑坡点659个，由调查人员汇总在Access数据库中，见图4.3。剩余安塞、富县、甘泉县等6个县的灾害点汇总在Microsoft Access中，皆以MDB的格式存储。
【学位授予单位】：江西理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：P642.22;TP18

【参考文献】