典型文献
基于模糊聚类SVM的崩塌易发性评价研究——以安泽县为例
文献摘要：
在崩塌易发性模型中,随机选择非灾害点会降低样本质量,影响模型训练精度.本文提出一种基于模糊聚类的支持向量机(Support Vector Machine,SVM)易发性评价方法.首先,将模糊聚类用在训练样本非灾害点选取中,最大化灾害点与非灾害点的类间差异;其次,利用划分系数判别分类簇间的分离程度,选取最优划分系数下的非灾害点样本;最后,利用SVM进行灾害易发性评价.结果表明,在模糊聚类SVM集成模型中,极高易发区灾害点的点密度相较于单一的SVM模型增加了 0.381 7个/km2,增幅明显.集成模型中灾害点在易发性较高的区域分布更加密集,与实际情况更为吻合.利用受试者特征(Receiver Operator Characteristic,ROC)曲线对结果进行验证,经检验,线下面积值(Area Under Curve,AUC)由0.785提高到 0.957,由此说明,模糊聚类SVM模型对崩塌灾害易发性评价预测精度更高,可以为崩塌灾害风险评估和管理提供依据.
文献关键词：
崩塌易发性;模糊聚类;支持向量机;受试者特征曲线
中图分类号：
作者姓名：
蔡新伟
作者机构：
甘肃煤田地质局一四九队,甘肃兰州730020
文献出处：
引用格式：
[1]蔡新伟-.基于模糊聚类SVM的崩塌易发性评价研究——以安泽县为例)[J].测绘技术装备,2022(03):36-42
A类：
崩塌易发性
B类：
模糊聚类,易发性评价,安泽县,随机选择,影响模型,模型训练,Support,Vector,Machine,训练样本,点选,类间差异,点样,集成模型,易发区,点密度,km2,区域分布,Receiver,Operator,Characteristic,Area,Under,Curve,崩塌灾害,评价预测,灾害风险评估,受试者特征曲线
AB值：
0.316206
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
