基于宽度学习模型的泥石流灾害预报

摘要

cqvip:在泥石流灾害预报模型研究中,科学确定泥石流灾害影响因子及保证模型较高的预报准确率和快速的训练速度是关键问题,也是泥石流灾害预报预警和防灾减灾的重要基础。本研究针对目前泥石流预报模型输入数据维度较大和训练时间较长的问题,采用快速多个主成分并行提取算法(Fast multiple principle components extraction algorithm,FMPCE),选取出6个泥石流灾害影响因子,包括降雨量、山坡坡度、沟床比降、相对高差、土壤含水率和孔隙水压力。基于宽度学习(Broad learning,BL)算法,以泥石流影响因子为输入,泥石流发生概率为输出,构建了泥石流预报模型,并用矩阵随机近似奇异值分解(矩阵随机近似SVD)对模型进行了优化,将优化后宽度学习模型的预报结果与梯度下降法优化的BP神经网络预报模型(GD-BP)、基于支持向量机的预报模型(SVM)、宽度学习预报模型(BL)的结果进行对比,同时,通过输入数据集的扩展,从训练时间上对不同模型进行比较。结果表明,优化宽度学习泥石流灾害预报模型的预报准确率为93.52%,较GD-BP模型、SVM模型和BL模型的预报准确率分别高出1.60%、1.15%和0.03%;优化宽度学习泥石流灾害预报模型的训练时间为0.9039s,较GD-BP模型、SVM模型和BL模型的训练时间分别节省了25.3867 s、17.2620 s和0.8974 s。本研究说明宽度学习算法可以用于对泥石流灾害的发生概率进行预报,同时也可为泥石流预报的实际应用提供新的思路。