滑坡易发性预测建模的不确定性：不同“非滑坡样本”选择方式的影响

滑坡易发性预测建模中如何选择非滑坡是影响建模结果的重要不确定因素。为研究不同非滑坡选择方式的影响规律，拟用5种方式，即全区随机、坡度低于5°区域、滑坡缓冲300 m外区域、信息量（IV）法、半监督法来选择出与滑坡等比例的非滑坡样本；进一步将各选择方式与随机森林（RF）耦合构建随机RF、低坡度RF、缓冲区RF、IV–RF及半监督RF等模型。以江西南康区为例，获取高程、岩性、公路密度等19种环境因子和233个滑坡编录，将滑坡编录划分为2 598个滑坡栅格单元构建上述耦合模型的输入–输出数据集。再采用预测精度和易发性指数分布等指标分析其建模不确定性。进一步针对耦合模型预测的滑坡易发性指数分布不合理等问题，在半监督RF建模时采用滑坡与非滑坡比例为1∶2的样本集开展建模并与1∶1等比例样本集工况作对比。结果表明：1）低坡度RF、缓冲区RF、IV–RF和半监督RF等模型的预测精度均大幅优于随机RF模型，可见准确选择非滑坡样本对易发性建模至关重要；2）半监督RF模型选择非滑坡样本的建模性能最优，且半监督RF在滑坡∶非滑坡=1∶2比其在1∶1时预测的易发性指数分布规律更准确可信。后续研究中有必要更深入探索滑坡与非滑坡样本的比例问题。     

基于证据权和卡方自动交互检测决策树的滑坡易发性预测

滑坡与其环境因子间的非线性关联计算影响滑坡易发性预测建模的不确定性。为研究不确定性因素下易发性建模规律,以中国延长县为例,获取82处滑坡和14种环境因子,通过频率比(Frequency Ratio, FR)和证据权(Weight of Evidence, WOE)等关联法与卡方自动交互检测(Chi-squared Automatic Interaction Detector, CHAID)决策树相耦合进行建模,并用原始环境因子(称为“原始因子数据”)作为输入变量的单独CHAID决策树进行对比。使用精度、易发性指数均值、标准差和平均秩等评价易发性建模的不确定性。结果表明：WOE-CHAID模型预测的滑坡易发性不确定性低于FR-CHAID模型,可见WOE具有较优秀的非线性关联性能;单独CHAID决策树预测的易发性精度整体略低于WOE-CHAID和FR-CHAID模型,但其建模效率较高;在体现滑坡与其环境因子空间关联性方面,考虑FR和WOE关联法的CHAID决策树模型优势显著。WOE是更优秀的关联分析法,CHAID决策树预测性能好且预测效率高,WOE-CHAID决策树模型的易发性预测不确定性...     

机器学习方法在滑坡易发性评价中的应用

中国山区多、地形复杂,构造发育、地质灾害隐患分布广泛.滑坡作为山区最具灾难性的地质灾害之一,严重威胁着人民群众的生命及财产安全.构建滑坡易发性模型能够量化滑坡发生的可能性,对制定防灾措施、减少潜在风险具有重要作用.由于经验驱动模型难以量化,且往往依赖主观判断,近年来,滑坡易发性模型的精度与准确度在从经验驱动和统计理论模...     

基于不同机器学习算法的地震滑坡易发性评价——以鲁甸地震为例

地震发生后,及时准确地评价灾区的滑坡易发性对应急救援,灾后重建具有重要意义.然而目前在地震滑坡易发性评价中对不同机器学习模型性能对比的研究较为缺乏.本文从地震动参数、植被、断层岩性、水文和地形方面构建了地震滑坡易发性评价指标体系.然后选取了逻辑回归、K近邻、朴素贝叶斯和随机森林算法,以鲁甸地震为研究案例分别构建了4种滑坡易发性评价模型,并对模型的预测精度进行了对比.结果显示：随机森林模型在测试数据集上的灵敏度(0.94)、精确度(0.94)和准确度(0.94)均高于另外3种机器学习模型,且该模型生成的滑坡易发性的空间分布与实际的地震滑坡分布较为一致,朴素贝叶斯模型的预测精度相对较差.此外,因子的重要性分析结果表明距河流距离、修正的麦加利地震烈度、距断层距离和坡度是影响滑坡易发性相对重要的评价指标.     

不同分级方法对区域滑坡易发性区划的影响

易发性分区是开展区域地质灾害风险评价的基础步骤，选取合理的分级方法对有效绘制区域滑坡易发性图意义显著，但鲜有研究对比了各易发性分级方法的优缺点，尤其是未能将历史滑坡与预测出的易发性指数相联接。针对该问题，以陕西省延长县为例采用3种机器学习模型计算滑坡易发性指数，即分类和回归树、随机森林和径向基函数；设计了5种易发性分级方法，划分不同的滑坡易发性等级，包括4种常规的基于地理信息系统的分级方法（自然断点、等间隔、分位数和几何间隔），同时考虑了滑坡与易发性指数间的非线性关联性的频率比阈值法。结果表明：3种模型的受试者工作特征（ROC）曲线下面积均大于0.75，但划分的易发性分级图分布模式却存在较大差异，使用几何间隔和分位数法的易发性图能在极高易发区中识别出更多滑坡，但这两种方法划分的极高和高易发区的总面积过大；使用等间隔法和频率比阈值法在极高和高易发区中的滑坡比率更大，说明识别出的滑坡更为集中。本文提出的频率比阈值法用于滑坡易发性分级，能为易发性的准确分区提供思路，为边坡稳定性较差区域的工程选址以及土地利用规划提供科学参考，提高地质安全评估及应急管理能力。     

基于GIS和信息量法的伊犁黄土滑坡易发性评价

伊犁州位于新疆西北部,黄土分布范围较广,境内降雨丰沛.近年来,随着人类工程活动的增强,黄土滑坡灾害进一步加剧.以新疆伊犁州伊宁县某滑坡密集区域为研究区,在Google Earth平台上采用人工目视方法解译出3424处滑坡.选取高程、坡度、坡向、地形位置指数(TPI)、距道路距离、距河流距离、距断层距离、多年平均降雨量、归一化植被指数(NDVI)共九个滑坡影响因子,运用信息量法进行滑坡易发性评价.将研究区的滑坡易发性分为极低易发区、低易发区、中易发区、高易发区和极高易发区,采用感受性曲线(ROC)对评价结果进行检验.结果 表明:信息量模型训练集和验证集的成功率均在80％以上,信息量模型的评价结果较为理想;高易发区和极高易发区内滑坡数量有2660个,占滑坡总数的77.69％,滑坡面积为2.2 km2,占滑坡总面积的60.27％.基于GI S和信息量法的滑坡易发性评价结果可以为该区域地质灾害防灾减灾工作提供科学依据和可靠参考.     

基于信息量及层次分析关联法和BP神经网络耦合的滑坡易发性评价

滑坡与其评价因子之间的关联计算将直接影响滑坡易发性评价结果的精度,因此需要研究不同关联模型对滑坡易发性评价的影响。以白鹤滩库区象鼻岭-江边村段库岸段为研究区,选取以层次分析法(AHP)为代表的经验模型和以信息量法(IV)为代表的统计模型分别与BP神经网络(BPNN)模型耦合进行滑坡易发性评价,同时将仅采用BPNN模型的评价结果作对比。采用ROC曲线、频率比、易发性指数分布(均值、标准差)等方式对滑坡易发性结果进行对比评价。结果显示,IV-BPNN耦合模型滑坡易发性评价结果精度高于AHP-BPNN耦合模型,统计分析模型在滑坡评价因子关联分析上表现更为优秀;单一BPNN模型易发性评价结果整体精度低于耦合模型。在进行滑坡易发性评价时采用评价因子关联法的耦合模型优势较为明显,并且以信息量法为代表的统计分析模型作评价因子关联法进行耦合计算,获得的易发性评价结果精度最高、可靠性最强,评价结果与研究区实际的滑坡分布更为相符。     

基于耦合信息量法选择负样本的区域滑坡易发性预测

机器学习(Machine Learning, ML)模型预测滑坡易发性时选择合理的负样本对预测结果具有重要影响,现有研究大多从整个研究区或从低坡度等特定属性区内随机选择负样本,这些负样本往往不够准确或以偏概全,降低了易发性制图的可靠性。为解决这一问题,拟提出耦合信息量法(Information Value, IV)的ML模型开展易发性建模。以江西省瑞金市为例,采用IV法将环境因子的属性值转化为对滑坡贡献的信息量值,划定极低和低易发区并从中随机选择出ML模型训练验证用的负样本数据,构建全新的信息量-支持向量机(IV-SVM)、信息量-随机森林(IV-RF)耦合模型并预测瑞金滑坡易发性;进一步与从全区随机选择负样本的单独SVM和RF模型,以及从坡度小于2°的特定属性区内随机选负样本的低坡度SVM和RF模型做对比研究;最后采用Kappa系数和ROC曲线等指标验证和比较建模结果。IV-SVM和IV-RF模型的Kappa系数为0.828和0.9146且对应ROC曲线的AUC值为0.876和0.939,分别高于单独SVM、RF和低坡度SVM、RF模型;同时,IV-SVM和IV-RF模型的易发性概率分布的平均值较小而标准差较大。结果表明：1) IV-SVM和IV-RF模型具有比单独SVM和RF模型,以及低坡度SVM和RF模型更高的滑坡易发性预测精度且更有效的反映了瑞金滑坡易发性分布规律;2) RF模型相较于SVM模型具有更高的预测精度;3) IV-RF等耦合模型能够弥补单独模型存在的负样本采样不准确和低坡度模型对坡度因子区间选择的缺点而提高预测精度更加合适机器学习的滑坡易发性预测建模。总之,本文研究为机器学习预测滑坡易发性的负样本采样方法提供新思路。     

基于决策树和有效降雨强度的滑坡危险性预警

以江西省寻乌县为例,采用信息量（IV）、反向传播神经网络（BPNN）和C5.0决策树模型进行滑坡易发性预测（LSP）,比较不同模型的预测性能;基于有效降雨量的概念提出有效降雨强度-历时（EI-D）模型,计算滑坡临界降雨阈值并将其与传统的降雨强度-历时（I-D）阈值做对比;将LSP结果与EI-D模型耦合,实现滑坡灾害预警并进一步验证了预警精度. 结果表明：C5.0决策树的LSP精度高于BPNN和IV,EI-D阈值的预测效果优于I-D模型,且基于滑坡易发性和EI-D阈值的模型能有效实现降雨型滑坡的实时预报.     

基于IAHP-熵值法的滑坡易发性评价

区域滑坡易发性评价是滑坡灾害防治工作的一个重要环节,针对传统层次分析法在滑坡易发性评价中存在权重赋值依据不明确的缺陷,提出以熵值作为赋值依据的改进层次分析法。以贵州省赫章县80个滑坡点为例,选取高程、坡度、坡向、曲率、植被系数（NDVI）、岩性、距道路距离、距房屋距离、距断层距离作为滑坡影响因子;以熵值作为赋值依据,采用层次分析法求得滑坡影响因子的权重;对影响因子进行分级赋值,并确定滑坡易发性分级标准;在此基础上,构建起滑坡易发性评价体系,并利用GIS软件进行研究区滑坡易发性区划。结果表明：采用改进层次分析法计算时,46个滑坡位于高易发区（占样本总数的57.5%）,13个滑坡位于低易发区（占样本总数的16.25%）,相比传统层次分析法计算结果,分别高15%和低11.25%。因此,改进层次分析法具有更高的准确率。     

基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络（DSN）的半监督特征学习方法,无监督特征学习的过程由多个受限玻尔兹曼机（RBM）的并行训练完成,将训练得到的参数用于DSN的输入权值初始化,再采用批量模式的梯度下降法进行监督微调。将所提方法用于运动想象脑电信号特征提取及识别,实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式（CSP）和深度信念网络（DBN）等算法,该方法可用于提高BCI系统中脑电信号的识别准确率。     

一种基于Akaike信息准则的极限学习机

为了减小传统的极限学习机网络的规模及提高网络的泛化性能,利用Akaike信息准则作为学习的最优停止准则以选择合适的隐层节点数量,同时利用修正Gram Schmidt算法自动调整网络参数,提出改进的极限学习机网络构造算法。通过与传统极限学习机在通用标杆问题上的实验结果比较表明, 该改进的极限学习机具有更精简的网络结构和更快的学习速度,同时具有良好的学习精度。     

Greyscale based learning in BPNN for image restoration problem

A new method of back propagation learning with respect to the problem of image restoration which is named as greyscale based learning in back propagation neural networks ( BPNN) is investigated. It is observed that by using this method the value of mean square error ( MSE) decreases significantly. In addition,this method also gives good visual results when it is applied in image restoration problem. This method is also useful to tackle the inherited drawback of falling into local minima by reducing its effect on overall system by bifurcating the learning locally different for different grey scale values. The performance of this algorithm has been studied in detail with different combinations of weights. In short,this algorithm provides much better results especially when compared with the simple back propagation algorithm with any further enhancements and without going for hybrid solutions.     

基于遗传模拟退火算法的滑坡位移预测方法

滑坡是一种常见的地质灾害,通常在复杂的地质条件下演化和发生,给社会和人类的生命财产安全造成了极大的危害.了解滑坡的发展规律,对灾害防治具有重要意义.在现有滑坡累积位移时间序列的基础上,提出了一种基于遗传模拟退火算法的滑坡位移预测方法.采用遗传模拟退火算法-BP神经网络对白水河滑坡预警区Z118观测点进行分析,利用前3个...     

基于机器学习的心脏病预测模型研究

心脏病作为当今社会对人类生活健康威胁最严重的血管疾病之一,不仅严重威胁人类的生命安全,而且高昂的治疗费用还会给家庭和社会带来严重的经济负担。针对目前心脏病预测研究中存在准确性不足及缺乏特征可解释性的问题,通过挖掘影响心脏病的重要特征,实现对心脏病准确预测和影响因素可解释性分析。首先,利用T检验来分析特征之间的显著差异性（P-value）,通过P-value值降序排列选出特征进行组合。然后,利用十种机器学习模型和SHAP方法实现对心脏病的预测及其特征可解释性分析。在UCI心脏病数据集上进行验证实验,在七个医学领域广泛使用的评价指标上都到达了1,优于与对比论文实验结果。最后,利用SHAP方法对13个特征进行可解释性分析,通过特征重要性排序可视化结果,挖掘单个特征与心脏病之间的关联,能为医生对心脏病的精准医疗提供决策支持。     

基于机器学习的纳滤膜预测筛选模型构建与评估

纳滤净水技术是应对水资源危机和水质安全保障的核心技术之一。然而,纳滤膜性能长期受渗透性与选择性制约,亟需开发高性能纳滤膜。纳滤膜制备过程涉及水相单体质量分数、水相添加剂质量分数、油相单体质量分数、聚合时间等因素,传统的试误实验法需消耗大量的人力、物力与财力。依据纳滤膜制备参数,构建基于机器学习的纳滤膜预测筛选模型。结果表明,XGBoost机器学习模型可有效预测纳滤膜纯水通量与截留性能,对纯水通量和截留性能的R²评价指标分别为0.84和0.90。采用SHAP值法对XGBoost机器学习模型中的输入参数进行量化分析,发现水相单体质量分数与基膜类型对纯水通量有最高的绝对平均SHAP值,分别为2.77与2.59,而面向纳滤膜截留性能的关键参数绝对平均SHAP值相对接近。单体子结构特征分析结果显示,亲水性子结构特征与支链型子结构特征有助于提升纳滤膜纯水通量,胺基则促进纳滤膜的截留性能。构建的纳滤膜预测筛选模型有助于关键参数的识别与优化,为纳滤膜的开发提供理论与技术指导。     

基于BP神经网络的长江流域人口预测研究

人口系统是一个非常复杂的非线性系统．对人口数量的准确预测能为生态经济可持续发展计划的制定提供重要依据。建立了一维时间序列的长江流域人口数量的BP神经网络模型．根据1988～2001年长江流域人口统计数据．借助Matlab6.5软件进行预测．并与指数平滑预测、自回归模型、Logistic模型的预测结果进行比较．结果表明应用BP神经网络对人口数量的预测精度更高、效果更好。     

基于最小二乘支持向量机的企业库存预测方法

针对目前常用的基于神经网络的库存预测方法存在收敛速度慢或不收敛、存在局部极小值、网络结构选择具有随机性且对小样本库存预测容易出现过学习现象等问题,提出了基于最小二乘支持向量机的企业库存预测算法。通过结合某公司的库存实际计算以及与其他预测方法进行比较,通过仿真试验和实际数据验证,该算法计算简单,且具有更好适应性和很好的鲁棒性等特点。     

基于改进最小二乘支持向量机的电力系统受扰轨迹在线预测

分析了标准最小二乘支持向量机算法用于在线预测时存在的主要问题,根据分块矩阵求逆定理对标准算法进行改进,实现支持向量的递推式求解,提高了算法的学习效率。为了满足实际多机系统在线轨迹预测的要求,引入轨迹聚合技术对多机轨迹进行聚合,进一步减少了计算量。以电科院8机系统和我国西北电网为例进行仿真分析,从预测精度和计算时间两方面验证了方法的有效性。