基于贝叶斯优化的卷积神经网络结合机器学习分类器的滑坡易发性预测研究

现有使用机器学习进行滑坡监测方法存在滑坡易发性特征选择超参数多为连续变量,数值约束松散的问题。为解决此问题,提出一种结合CNN-LR-SVM的滑坡易发性监测方法。使用CNN提取滑坡易发性特征值,捕获输入数据中的上下文信息,消除繁琐的传统特征选择过程,提升特征选择准确率。将提取到的特征值与LR、SVM分类器结合。之后,使用贝叶斯优化方法寻找CNN、LR和SVM超参数,考虑历史信息,优化下一步超参数设置方法,解决超参数优化数值约束问题。经实验验证,本方法在选择不同优化算法与激活函数时相比传统单一机器学习模型(以CNN与SVM为例)均有良好性能表现。

工程教育专业认证下电子信息类综合实践教学改革

工程教育专业认证强调培养学生解决复杂工程问题的能力,而综合实践是培养学生解决复杂工程问题的有效途径。以工程教育认证理念为指导,改革了电子信息类综合实践传统教学中的不足,以能力产出为导向设定合理的教学目标,以解决复杂工程问题为核心设计教学内容,以学生为中心按照电子产品开发的整个周期来创设教学情境,构建科学合理的全过程评价机制,以利于持续改进。以电子技术实践为例,介绍新思路下综合实践的教学设计与实施情况,通过持续改进与教学实施,培养学生工程实践能力和创新能力,提高学生解决复杂工程问题的能力,为工程教育背景下综合实践教学改革打下坚实的基础。

基于Apriori算法的滑坡监测数据关联规则挖掘研究

滑坡是一种常见的自然灾害,对人类生命和财产安全造成严重威胁,为了得到海量滑坡监测数据中隐藏的有价值信息,基于关联规则的数据挖掘技术在滑坡监测领域得到了广泛应用。本文以2016~2019年藏东南扎木弄巴滑坡观测数据作为研究对象,通过挖掘滑坡监测数据中的关联规则,识别出不同变量之间的关联性,并利用这些关联规则进行滑坡的监测和预测。首先介绍了Apriori算法的原理,然后使用K-means算法对滑坡监测数据中几类数据进行聚类处理,并将Apriori算法应用在研究数据集上,进行规则挖掘及分析,发现降雨量和地下水位的变化与滑坡的相关性,最终获得有意义的规则信息,了解滑坡发生的机理和规律,帮助我们更好地理解和应对滑坡灾害。