基于改進(jìn)極限學(xué)習(xí)機(jī)的泥石流發(fā)生預(yù)測(cè)
發(fā)布時(shí)間:2024-07-05 17:46
為提高泥石流預(yù)測(cè)預(yù)報(bào)的準(zhǔn)確性,提出一種基于DBSCAN聚類的改進(jìn)極限學(xué)習(xí)機(jī)(ELM)算法。首先,利用DBSCAN算法對(duì)泥石流發(fā)生訓(xùn)練的數(shù)據(jù)進(jìn)行聚類處理;其次,將聚類得到的不同訓(xùn)練集分類訓(xùn)練ELM分類器;最后,利用ELM分類器對(duì)預(yù)測(cè)集數(shù)據(jù)進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,利用改進(jìn)ELM算法對(duì)泥石流發(fā)生預(yù)測(cè)的平均準(zhǔn)確率達(dá)到91.6%,改進(jìn)ELM算法的穩(wěn)定性與傳統(tǒng)ELM算法相比有明顯提高,與傳統(tǒng)ELM算法、BP神經(jīng)網(wǎng)絡(luò)和Fisher預(yù)測(cè)法相比,改進(jìn)ELM算法的預(yù)測(cè)精度更高。
【文章頁(yè)數(shù)】:5 頁(yè)
【部分圖文】:
本文編號(hào):4001302
【文章頁(yè)數(shù)】:5 頁(yè)
【部分圖文】:
圖2鄰域?yàn)?.5時(shí)的聚類
圖1鄰域?yàn)?時(shí)的聚類圖3鄰域?yàn)?時(shí)的聚類
圖3鄰域?yàn)?時(shí)的聚類
圖2鄰域?yàn)?.5時(shí)的聚類圖4鄰域?yàn)?.5時(shí)的聚類
圖1鄰域?yàn)?時(shí)的聚類
在ELM算法當(dāng)中,選取Sigmoid函數(shù)作為激活函數(shù),輸入權(quán)值w和隱含層偏置b隨機(jī)初始化。為了獲得最佳的聚類效果,選擇區(qū)分度最高的集水區(qū)平均坡度和主溝長(zhǎng)度作為聚類依據(jù),為了保證獲得正常數(shù)目的類別數(shù)并且區(qū)分出噪聲點(diǎn),設(shè)置最少點(diǎn)數(shù)量MinPts=2;分別對(duì)鄰域Eps=1、Eps=1.....
圖4鄰域?yàn)?.5時(shí)的聚類
圖3鄰域?yàn)?時(shí)的聚類從圖1~圖4分析可得,當(dāng)Eps增大時(shí),類簇?cái)?shù)和噪聲點(diǎn)逐漸減少。Eps取1時(shí),有5個(gè)類簇,9個(gè)噪聲點(diǎn)存在;Eps取1.5時(shí),有6個(gè)類簇,3個(gè)噪聲點(diǎn)存在;Eps取2時(shí),有2個(gè)類簇,3個(gè)噪聲點(diǎn)存在;Eps取2.5時(shí),有2個(gè)類簇,2個(gè)噪聲點(diǎn)存在。隨著鄰域的增大,類簇....
本文編號(hào):4001302
本文鏈接:http://www.wukwdryxk.cn/guanlilunwen/gongchengguanli/4001302.html
最近更新
教材專著