基于K均值聚类及模糊支持向量机海洋灾害风险预警方法.docVIP

基于K均值聚类及模糊支持向量机海洋灾害风险预警方法 　　摘要：我国是世界上海洋灾害最严重、最频发的少数国家之一，本文构建基于K均值聚类及FSVM的海洋灾害风险预警方法，有效解决海洋灾害数据具有不确定性、模糊性及带有扰动信息等问题，从而大大提高海洋灾害预警的准确性，为预测和评价海洋灾害提供更科学的方法，对海洋经济可持续发展有重大意义。实验证明，本文的模型对海洋灾害风险预警具有较高的精确度。 　　关键词：K均值聚类 FSVM 海洋灾害 风险预警 　　中图分类号：TP301 文献标识码：A 文章编号：1007-9416（2015）02-0000-00 　　Abstract：China is the Marine disasters in the world. It is one of the most serious and frequent countries of the few countries. This paper based on k-means clustering and FSVM Marine disaster risk early warning method， it can effectively solve the Marine disaster data with uncertainty and fuzziness， and the problem of disturbance information and so on. Thus it can greatly improve the accuracy of the Marine disaster warning， for prediction and evaluation of Marine disasters to provide a more scientific method， has significant meaning to the Marine economy sustainable development. Experiments show that this model to the Marine disaster risk early warning has higher accuracy. 　　KeyWords：K-means； FSVM； Marine disasters； Risk assessment 　　1 引言 　　海洋创造了丰富的自然资源、优越的气候环境和便捷的国际通道，为世界也为我国沿海地区的发展提供了得天独厚的条件，使我国沿海地区一向成为社会经济最发达的区域。北部湾海洋自然资源丰富、气候环境优越，给我国沿海经济的发展提供了极其优越的自然条件，使沿海地区成为我国经济发展最快的区域，30年来，我国北部湾海洋生物产业经济呈现出快速增长的景象，相关海洋产业经济的总产值远远高于其他的经济产值，是未来一段时期内北部湾沿海经济发展的重要增长点，但同时海洋灾害也是近年来经济损失数量增长最快的自然灾害，海洋经济的发展与海洋自然灾害形成尖锐的矛盾，尤其是近年来海洋灾害经济损失的急速上升，不得不引起我们的关注。从各方面分析认为，这种上升趋势不会自然减下去，而必须采取相应的减灾行动才能有所控制。构建精确有效海洋灾害风险预警方法，为预测和评价海洋灾害提供更科学的方法，对北部湾海洋经济可持续发展有重大意义。 　　2 K-均值聚类算法 　　k-means是把每个聚类子集内样本的均值数据作为本聚类的代表点，算法的主要思想是通过迭代把数据子集划分为不同的分类，使聚类性能的评价准则函数到达最优，使得生成的各个聚类内部紧凑，而且类间独立。 　　K-means算法的有两个关键问题： 　　（1）采用欧式距离度量记录之间的相关性。 　　（2）平均值法即means，更新簇内质心。 　　k-means算法的复杂度为O（n*k*t）， 其中， n 是所有样本的数目， k 是簇的数目， t 是迭代的次数，通常k n 且t n 。当结果簇密集，簇之间有明显区别时， 它的效果是比较好，在处理大数据集时有较高的效率。其主要缺点是：须事先给出k值，对于不同的初值，可导致不同的结果，少数的“躁声”数据容易对平均值产生较大的影响。 　　3 模糊支持向量机FSVM 　　支持向量机（Support Vector Machine， SVM）由Vapnik 提出，其在对问题进行优化时，设定约束条件为训练误差，优化目标为最小化置信范围。SVM是一种基于最小化准则的学习方法，与一些传统的学习方法相比，其明显具有较优的推广能力。在SVM 的求解过程中，最终会转化成对二次规划问题的求解，所以SVM 获得的解是全局最优解。 SVM求解最优分类面问题可以转化为一