文献类型：期刊文章

作　　者：黄发明[1] 殷坤龙[1] 蒋水华[2] 黄劲松[2,3] 曹中山[2]

机构地区：[1]中国地质大学(武汉)地质调查研究院,湖北武汉430074 [2]南昌大学建筑工程学院,江西南昌330000 [3]纽卡斯尔大学岩土科学与工程卓越研究中心

出　　处：《岩石力学与工程学报》

基　　金：国家自然科学基金面上项目(41572292;51509125;51679117)~~

年　　份：2018

卷　　号：37

期　　号：1

起止页码：156-167

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：在将支持向量机(support vector machine,SVM)等机器学习模型用于区域滑坡易发性评价时,大都随机或主观地选取非滑坡栅格单元,不能保证所选的非滑坡栅格单元是真正的"非滑坡"。为解决此问题,提出基于聚类分析和SVM的滑坡易发性评价模型。该模型首先用自组织映射(self-organizing mapping,SOM)神经网络对滑坡易发性进行聚类分析;然后从极低易发区中选择非滑坡栅格单元,确保所选非滑坡栅格单元是高概率的"非滑坡";最后采用SVM模型基于已知滑坡、所选非滑坡和环境因子对滑坡易发性进行评价。将提出的SOM-SVM模型用于三峡库区万州区滑坡易发性评价,并将得到的易发性结果与随机选取非滑坡的单独SVM模型结果做对比。结果显示SOM-SVM模型具有比单独SVM模型更高的成功率和预测率,表明SOM神经网络能更准确地选取非滑坡栅格单元。

关 键 词：边坡工程 滑坡易发性  非滑坡栅格单元  自组织映射神经网络 支持向量机

分 类 号：P642]