[发明专利]一种Bagging滑坡预报方法

权利要求书

1.一种Bagging滑坡预报方法，其特征在于，具体按照以下步骤实施：

步骤1、采用核主成分分析法进行滑坡成灾因子选取；

步骤2、利用步骤1得到的数据构建基于Bagging的滑坡地质灾害预报模型；

步骤3、采用XGBoost优化Bagging算法，完成滑坡预报。

2.根据权利要求1所述的一种Bagging滑坡预报方法，其特征在于，所述步骤1具体按照以下实施：通过核主成分分析法来筛选滑坡灾害的主要影响因子，对因子的重要性进行排序与选择，减少了模型训练中的时间及步数；由于高维空间中成灾因子的选取是一个非线性的问题，KPCA方法由于算法简单、重构误差较小且易解决非线性问题等优势，成为降维筛选的一种有效方法；筛选过程如下：

假设样本集：X＝{x₁,x₂,…x_M}，其中x_k∈R^N为列向量；M为样本总数，协方差矩阵如式(1)所示；

其中，为满足的非线性映射；

对C进行特征分解：令λv＝Cv；其中特征向量v是由组成的空间；

当所有特征值λ≥0时，得到式(2)的表达式：

式中：k＝1,2,…,M，v_r为的线性组合：

定义M×M维矩阵K，定义内积为式中i,j＝1,2,…,M，将式(1)和式(2)带入式(3)得：

Mλ^rc^r＝Kc^r (4)

其中，Mλ^r和c^r是对应于K的特征值和特征向量；求得样本在特征向量的投影：

式中，r＝p,p+1,…,M，g(x)为对应于的非线性主元分量，所有投影形成一个矢量；

求解g(x)时，利用Mercer定理，使用核函数：

代替空间的点积运算，则：

当的均值不为0时，空间样本变为将研究数据归一化后采用KPCA方法进行筛选；筛选步骤如下：

①输入样本初始化，通过核函数式(6)计算矩阵K；

②求解矩阵K/M的特征值λ₁,λ₂,…,λ_m及特征向量α₁,α₂,…,α_m；

③选取与最大特征值对应的特征向量与输入的属性进行计算，得到主成分；

由KPCA计算的特征值及主成分贡献率，按照式(9)、式(10)计算各成分的贡献率及累计贡献率；

3.根据权利要求2所述的一种Bagging滑坡预报方法，其特征在于，所述步骤2具体按照以下实施：

假定最初的训练样本集为D＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}；

其中，n为训练样本的个数；

训练阶段：

①从训练样本集中随机提取m个作为输入；

②根据提前设定的学习算法得出模型h_t；

③训练样本被放回；集合{h₁,h₂,...,h_t}被返回；

其中t＝1,2,,T，T为Bagging集成算法中包含的所有个体数目：

预测阶段：

①回归问题：使用平均方法进行预测

②分类问题：使用投票方式进行预测

集成分类器内部首先通过支持向量机对训练子集进行训练，得到不同的分类器，最后使用投票的方式进行融合从而输出结果；从而进行Bagging集成算法建模。