基于支持向量的铁路泥石流危险性评价方法研究

论文摘要

泥石流是山区最常见的地质灾害之一,成昆铁路K178-K728段贯穿通过大渡河峡谷区、牛日河峡谷区、孙水河峡谷区、瓦吉木梁子山岭区和安宁河宽谷区,地形条件复杂,断裂构造发育,段内泥石流灾害频发,对铁路运输安全构成了极大的威胁,亟需对区段内泥石流危险性进行较为准确的评价。支持向量机是一种新的基于数据统计学习的机器学习理论,它通过样本训练,寻找输入变量与输出变量之间的非线性关系,从而对未知输入的目标值进行较为准确的判断。本文以成昆铁路K178-K728区段内53条泥石流沟作为研究对象,运用支持向量机分类原理,通过样本学习,从数学理论上客观的分析研究区内泥石流危险性与地质环境条件之间存在的规律,从而构造出适合于该区段泥石流危险性评价的SVM模型,得出以下研究结果：1)K178-K510区段铁路主要经过高山峡谷区,主要受汉源-甘洛大断裂、石棉-普雄大断裂和米市向斜的影响,区内冲沟纵坡一般较大,地势陡峻,极有利于泥石流的形成；K510-K728区段铁路主要经过安宁河宽谷区,主要受安宁河大断裂的影响,冲沟两岸稳定性差,松散物源极为丰富,为区内泥石流创造了良好的条件；2)构造出泥石流危险性评价SVM模型；其中核函数选择RBF径向基函数；3)以53条泥石流沟作为种群,采用遗传算法的基本思想,对支持向量机惩罚因子及核函数参数进行了全局寻优,确定出SVM模型参数；其中惩罚因子C=263.8,核函数参数g=0.0277；4)选择了39条泥石流沟作为训练集,对建立的SVM模型进行训练,并构造出适应于研究区特殊地质环境条件的SVM泥石流危险性评价模型；然后选择其余14条泥石流沟作为测试集,对构造出来的SVM泥石流危险性评价模型进行了检验,其精度达到了92.8571%（13/14）,效果较为明显。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究意义和目的
• 1.1.1 意义
• 1.1.2 目的
• 1.2 国内外研究现状
• 1.2.1 泥石流危险性评价研究历史及现状
• 1.2.2 支持向量机理论研究与应用
• 1.3 研究内容和方法
• 1.3.1 研究内容
• 1.3.2 研究方法
• 1.3.3 技术路线
• 第2章 研究区自然地理及地质环境条件
• 2.1 自然地理
• 2.1.1 交通位置
• 2.1.2 气象条件
• 2.1.3 水文条件
• 2.2 地质环境条件
• 2.2.1 地形地貌
• 2.2.2 地层岩性
• 2.2.3 地质构造
• 2.2.4 区域稳定性
• 2.2.5 水文地质
• 2.2.6 不良地质现象
• 2.3 本章小结
• 第3章 知识预备
• 3.1 概述
• 3.2 统计学习理论基础
• 3.2.1 机器学习
• 3.2.2 经验风险最小化原则
• 3.2.3 统计学习理论的产生
• 3.2.4 一致性条件
• 3.2.5 VC维理论
• 3.2.6 推广性的界
• 3.2.7 结构风险最小化原则
• 3.3 SVM基础
• 3.3.1 基本思想
• 3.3.2 核函数
• 3.3.3 支持向量机算法
• 3.4 遗传算法
• 3.4.1 基本原理
• 3.4.2 基本结构
• 3.4.3 基于遗传算法的支持向量机参数优化
• 3.5 LIBSVM软件
• 3.5.1 简介
• 3.5.2 使用方法
• 3.6 本章小结
• 第4章 泥石流危险性评价
• 4.1 泥石流发育特征及分布
• 4.1.1 基本特征
• 4.1.2 分布特征
• 4.2 评价指标体系的建立
• 4.2.1 评价指标的确定
• 4.2.2 泥石流危险性分级
• 4.2.3 评价指标分级标准
• 4.3 SVM泥石流危险性评价
• 4.3.1 数据准备
• 4.3.2 SVM模型建立
• 4.3.3 泥石流危险性评价
• 4.4 本章小结
• 结论
• 致谢
• 参考文献（REFERENCES）