為提高泥石流預測預報的準確性,提出一種基于DBSCAN聚類的改進極限學習機(ELM)算法。首先,利用DBSCAN算法對泥石流發(fā)生訓練的數(shù)據(jù)進行聚類處理;其次,將聚類得到的不同訓練集分類訓練ELM分類器;最后,利用ELM分類器對預測集數(shù)據(jù)進行預測。實驗結果表明,利用改進ELM算法對泥石流發(fā)生預測的平均準確率達到91.6%,改進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)絡和Fisher預測法相比,改進ELM算法的預測精度更高。

【文章頁數(shù)】：5 頁

【部分圖文】：

圖2鄰域為1.5時的聚類

圖1鄰域為1時的聚類圖3鄰域為2時的聚類

圖3鄰域為2時的聚類

圖2鄰域為1.5時的聚類圖4鄰域為2.5時的聚類

圖1鄰域為1時的聚類

在ELM算法當中，選取Sigmoid函數(shù)作為激活函數(shù)，輸入權值w和隱含層偏置b隨機初始化。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，設置最少點數(shù)量MinPts=2；分別對鄰域Eps=1、Eps=1.....

圖4鄰域為2.5時的聚類

圖3鄰域為2時的聚類從圖1～圖4分析可得，當Eps增大時，類簇數(shù)和噪聲點逐漸減少。Eps取1時，有5個類簇，9個噪聲點存在；Eps取1.5時，有6個類簇，3個噪聲點存在；Eps取2時，有2個類簇，3個噪聲點存在；Eps取2.5時，有2個類簇，2個噪聲點存在。隨著鄰域的增大，類簇....

本文編號：4001302