基于改進(jìn)SVM算法的邊坡穩(wěn)定性分析研究.pdf

1、滑坡是一種全世界普遍的地質(zhì)災(zāi)害，給國民經(jīng)濟(jì)和人民生命財(cái)產(chǎn)帶來嚴(yán)重威脅，多年來人們對滑坡預(yù)測預(yù)報(bào)進(jìn)行了廣泛的研究，取得了許多重要成果。但由于地質(zhì)現(xiàn)象的復(fù)雜性，采樣數(shù)據(jù)的稀疏離散和有限性，同時(shí)滑坡又是受多種因素影響而發(fā)展演化的非線性動(dòng)力系統(tǒng)，使得滑坡預(yù)測預(yù)報(bào)方法尚存在許多改進(jìn)之處。
　　本文針對區(qū)域性滑坡數(shù)據(jù)采集困難，樣本數(shù)據(jù)較少，傳統(tǒng)算法對小樣本數(shù)據(jù)的分類準(zhǔn)確率不高等問題，采用支持向量機(jī)（SVM）來對邊坡穩(wěn)定性進(jìn)行分析研究，并考慮到

2、影響滑坡穩(wěn)定性的因素眾多，不同因素間存在冗余的情況，以及樣本數(shù)據(jù)中某些類別的樣本過少，出現(xiàn)類不平衡的情況，引入主成分分析法（PCA）和 Boosting算法對基于SVM算法的邊坡穩(wěn)定性分析方法進(jìn)行了改進(jìn)，具體研究內(nèi)容包括：
　　1）SVM算法需要的數(shù)據(jù)應(yīng)該是離散變量或者具有高斯分布特征的連續(xù)變量，但是滑坡樣本數(shù)據(jù)并不滿足這兩項(xiàng)條件。本文選取容重、粘聚力、內(nèi)摩擦角、坡高、坡度5個(gè)因子作為影響邊坡穩(wěn)定性的變量，采用等頻離散法進(jìn)行邊坡樣

3、本數(shù)據(jù)的離散化；通過網(wǎng)格搜索法確定高斯徑向基核函數(shù)的懲罰因子和方差后建立SVM模型；采用“留一法”驗(yàn)證SVM模型在邊坡穩(wěn)定性分析中的可信度和可靠性，并與馬氏距離和Bayes判斷法進(jìn)行對比，結(jié)果表明基于SVM的方法優(yōu)于其它兩種方法。
　　2）針對影響邊坡穩(wěn)定性的因素繁多且復(fù)雜，以及收集到的數(shù)據(jù)間有冗余的特點(diǎn)，對影響邊坡穩(wěn)定性的因素進(jìn)行量化后，用PCA來提取影響邊坡穩(wěn)定性的主要因素，隨后運(yùn)用 SVM模型對提取主成分前后的邊坡樣本數(shù)據(jù)進(jìn)

4、行分析，結(jié)果表明 PCA不僅在簡化屬性方面有獨(dú)到的用處，而且可以用來分析未知邊坡的穩(wěn)定狀態(tài)，準(zhǔn)確率更高。
　　3）由于所采集的邊坡數(shù)據(jù)中各個(gè)類別的數(shù)量差異較大，會(huì)產(chǎn)生類不平衡的問題，對SVM模型的準(zhǔn)確度造成影響。而Boosting算法對提高類不平衡數(shù)據(jù)的分類具有很好的適應(yīng)性，本文采用Boosting及AdaBoost集成SVM算法的方法對邊坡穩(wěn)定性進(jìn)行分析，對比結(jié)果表明，雖然Boosting-SVM和AdaBoost-SVM模型的