[发明专利]基于PCA与混合核函数LSSVR的泥石流预测方法

说明书

本发明公开的基于PCA与混合核函数LSSVR的泥石流预测方法，首先，建立泥石流监测预警系统，获取初始泥石流灾害发生的影响因子，并且通过PCA将获取的初始影响因子进行降维；其次，利用降维后的初始影响因子构建混合核函数LSSVR泥石流灾害模型；然后，运用鲸鱼算法优化建立的混合核函数LSSVR泥石流灾害模型，得到优化后的组合模型参数；最后，利用得到的组合模型参数，重构混合核函数LSSVR泥石流灾害模型，输出泥石流发生的预测结果。本发明公开的方法大大降低了模型结构的复杂性，防止维数灾难；引用混合核函数机制来平衡模型学习能力与泛化能力，提升预测精确度。

技术领域

本发明属于地质灾害监测技术领域，具体涉及一种基于PCA与混合核 函数LSSVR的泥石流预测方法。

背景技术

泥石流是山区常见的地质灾害之一，因其分布地域广、发生频率高、成 灾速度快等特点，严重威胁着山区人民的生命财产安全与经济社会的可持续 发展。因此，能否提供有效的泥石流灾害预报方法成为人们所关注的焦点。

相关领域科研工作者针对泥石流成灾特点进行深入研究，并提出多种泥 石流灾害预报方法，其方式各有利弊。曹禄来等运用模糊系统理论与人工神 经网络模型相结合评价泥石流发生危险等级，将模糊逻辑推理知识作为危险 性评价系统，以人工神经网络作为训练模型，降低数据处理复杂度与主观影 响，但在训练过程中模型本身易陷入局部极值而影响精确度；李丽敏等将多 传感器信息融合理论运用于泥石流预报模型中，利用多个泥石流影响因素综 合预测危险度，较好地解决以往因单一监测手段造成的漏报问题，但并未分析多个致灾影响因素之间的相关性，若选取较多影响因素时，可能导致因素 之间信息相互叠加，易发生维数灾难；董佳祺等利用支持向量机模型建立泥 石流堆积物分维数模型，将多个影响因素作为模型输入，优点在于具有较好 普适性，但模型中选取的单核局部核函数虽然学习能力较强，但泛化能力较 弱，在实现模型训练最优组合上还存在一定上升空间。支持向量机(Support Vector Machine，SVM)是建立于统计学习理论的结构风险最小化原则上的 机器学习系统，其特点在于能够自主设计模型复杂程度，避免维度灾难，且 具有良好的泛化能力；而最小二乘支持向量回归(Least Squares Support Vector Regression，LSSVR)是在支持向量运算框架下，改变其内部标准SVM 的约束条件与风险函数，在继承传统支持向量机优点的同时，还能够很好地 解决数据量少、过学习等实际问题，提升了模型训练效率与准确性，在回归 预测分析中具有良好效果。

鉴于此，本发明提出了基于主成分分析与混合核函数LSSVR的泥石流 预测方法。首先，建立泥石流监测预警系统，以获取泥石流灾害初始影响因 子，其次运用主成分分析法(Principal Component Analysis，PCA)降维得到 泥石流灾害主成分影响因子，然后将已重构的主成分影响因子数据输入至混 合核函数LSSVR模型中，并运用鲸鱼优化算法(Whale Optimization Algorithm，WOA)进行模型参数寻优，最后输出泥石流发生概率以及与其 对应的灾害预警等级，完成预测预报。

发明内容

本发明的目的是提供一种基于PCA与混合核函数LSSVR的泥石流预测 方法，解决了当前泥石流灾害发生受多重因素影响而导致的预测维数灾难， 以及最小二乘支持向量回归模型中因选取单核函数而导致的模型训练性能 部分缺陷、精确度低的问题。

本发明所采用的技术方案是，基于PCA与混合核函数LSSVR的泥石流 预测方法，具体包括如下步骤：

步骤1，建立泥石流监测预警系统，获取初始泥石流灾害发生的影响因 子，并且通过PCA将获取的初始影响因子进行降维；

步骤2，利用步骤1降维后的初始影响因子构建混合核函数LSSVR泥 石流灾害模型；

步骤3，运用鲸鱼算法优化步骤2建立的混合核函数LSSVR泥石流灾 害模型，得到优化后的组合模型参数；