主成分分析法和遗传算法优化的支持向量机模型在地震伤亡人数预测中的应用
发布时间：2021-11-04 09:46
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。
【文章来源】：地震. 2020,40(03)北大核心CSCD
【文章页数】：11 页
【部分图文】：
基于PCA-GA-SVM的地震伤亡人数预测模型流程
将表4中的数据用于PCA-GA-SVM模型的建立, 以4个主成分作为输入变量, 输出变量为地震伤亡人数, 设置遗传种群数量为20, 遗传代数为100。 经反复训练获得遗传算法最优适应度曲线, 如图3所示, 同时搜索到SVM的最优参数C=0.4750, g=0.9481。2.4 预测结果与分析
由图4可以看出, PCA-GA-SVM模型平均预测准确率为91.28%, 总运行时间为11.7 s, 相比于SVM模型预测准确率提升4.73%, 运行效率提升47.05%, 相比于GA-SVM模型预测准确率提升1.14%, 运行效率提升36.76%, 相比于PCA-GA-BP模型预测准确率提升9.99%, 运行效率提升44.55%, 由此说明BP神经网络易陷入局部最优, 导致模型预测精度差, 运行效率低, 而SVM在处理小样本、 多维数、 非线性的样本数据上拥有强大的优势, 同时PCA的降维效果明显, GA优化算法较高的收敛性能够快速搜索到最优参数, 使得PCA-GA-SVM模型的预测精度和运行效率均处于较高水平, 能够科学合理地对地震伤亡人数做出预测, 满足实际需要。3 结论
【参考文献】：
期刊论文
[1]Territorial suitability assessment and function zoning in the Jiuzhaigou earthquake-stricken area[J]. YU Hui,QIANG Miao,LIU Shao-quan. Journal of Mountain Science. 2019(01)
[2]Lessons from the seismic behavior of a steel grid roof structure heavily damaged in Lushan earthquake[J]. Li Jichao,Qu Zhe,Wang Tao. Earthquake Engineering and Engineering Vibration. 2019(01)
[3]基于PCA-NARX神经网络的氨氮预测[J]. 袁红春,赵彦涛,刘金生. 大连海洋大学学报. 2018(06)
[4]基于PCA降维模型的造纸废水处理过程软测量建模[J]. 刘鸿斌,李祥宇,杨冲. 中国造纸学报. 2018(04)
[5]基于GA-SVM模型的印刷套准识别[J]. 王世辉,王仪明,武淑琴,焦琳青,李林会. 传感器与微系统. 2018(11)
[6]面向地震风险评估的人口空间格网化技术研究[J]. 袁小祥,王晓青,窦爱霞,丁香,丁玲,邓飞. 地震. 2018(04)
[7]基于GA-SVM的隧道围岩分类研究[J]. 温廷新,于凤娥,邵良杉,田煜晨. 公路交通科技. 2018(09)
[8]Landslide susceptibility mapping using Genetic Algorithm for the Rule Set Production（GARP） model[J]. Fatemeh ADINEH,Baharak MOTAMEDVAZIRI,Hasan AHMADI,Abolfazl MOEINI. Journal of Mountain Science. 2018(09)
[9]A novel method for chemistry tabulation of strained premixed/stratified flames based on principal component analysis[J]. Peng TANG,Hongda ZHANG,Taohong YE,Zhou YU,Zhaoyang XIA. Applied Mathematics and Mechanics（English Edition）. 2018(06)
[10]基于SVM的RC框架结构地震易损性分析[J]. 苏亮,何海健. 华中科技大学学报(自然科学版). 2018(05)
本文编号：3475493
【文章来源】：地震. 2020,40(03)北大核心CSCD
【文章页数】：11 页
【部分图文】：
基于PCA-GA-SVM的地震伤亡人数预测模型流程
将表4中的数据用于PCA-GA-SVM模型的建立, 以4个主成分作为输入变量, 输出变量为地震伤亡人数, 设置遗传种群数量为20, 遗传代数为100。 经反复训练获得遗传算法最优适应度曲线, 如图3所示, 同时搜索到SVM的最优参数C=0.4750, g=0.9481。2.4 预测结果与分析
由图4可以看出, PCA-GA-SVM模型平均预测准确率为91.28%, 总运行时间为11.7 s, 相比于SVM模型预测准确率提升4.73%, 运行效率提升47.05%, 相比于GA-SVM模型预测准确率提升1.14%, 运行效率提升36.76%, 相比于PCA-GA-BP模型预测准确率提升9.99%, 运行效率提升44.55%, 由此说明BP神经网络易陷入局部最优, 导致模型预测精度差, 运行效率低, 而SVM在处理小样本、 多维数、 非线性的样本数据上拥有强大的优势, 同时PCA的降维效果明显, GA优化算法较高的收敛性能够快速搜索到最优参数, 使得PCA-GA-SVM模型的预测精度和运行效率均处于较高水平, 能够科学合理地对地震伤亡人数做出预测, 满足实际需要。3 结论
【参考文献】：
期刊论文
[1]Territorial suitability assessment and function zoning in the Jiuzhaigou earthquake-stricken area[J]. YU Hui,QIANG Miao,LIU Shao-quan. Journal of Mountain Science. 2019(01)
[2]Lessons from the seismic behavior of a steel grid roof structure heavily damaged in Lushan earthquake[J]. Li Jichao,Qu Zhe,Wang Tao. Earthquake Engineering and Engineering Vibration. 2019(01)
[3]基于PCA-NARX神经网络的氨氮预测[J]. 袁红春,赵彦涛,刘金生. 大连海洋大学学报. 2018(06)
[4]基于PCA降维模型的造纸废水处理过程软测量建模[J]. 刘鸿斌,李祥宇,杨冲. 中国造纸学报. 2018(04)
[5]基于GA-SVM模型的印刷套准识别[J]. 王世辉,王仪明,武淑琴,焦琳青,李林会. 传感器与微系统. 2018(11)
[6]面向地震风险评估的人口空间格网化技术研究[J]. 袁小祥,王晓青,窦爱霞,丁香,丁玲,邓飞. 地震. 2018(04)
[7]基于GA-SVM的隧道围岩分类研究[J]. 温廷新,于凤娥,邵良杉,田煜晨. 公路交通科技. 2018(09)
[8]Landslide susceptibility mapping using Genetic Algorithm for the Rule Set Production（GARP） model[J]. Fatemeh ADINEH,Baharak MOTAMEDVAZIRI,Hasan AHMADI,Abolfazl MOEINI. Journal of Mountain Science. 2018(09)
[9]A novel method for chemistry tabulation of strained premixed/stratified flames based on principal component analysis[J]. Peng TANG,Hongda ZHANG,Taohong YE,Zhou YU,Zhaoyang XIA. Applied Mathematics and Mechanics（English Edition）. 2018(06)
[10]基于SVM的RC框架结构地震易损性分析[J]. 苏亮,何海健. 华中科技大学学报(自然科学版). 2018(05)
本文编号：3475493
本文链接：https://www.wllwen.com/kejilunwen/diqiudizhi/3475493.html
