.png){kind=icon}
返回
Predicting earthquake damage using a PAR-CGA: parallel cost-sensitive genetic algorithm-based rule classifier
.png){kind=icon}
PRE
AI
DOI：10.1007/s10596-025-10389-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
地震是自然灾害，会造成巨大破坏和人员伤亡。震后最关键的任务是快速准确地确定建筑物的损坏状况。地震损坏数据集是多类、高维、大规模且分布不均衡的。此类数据集面临严重的分类挑战：运行时间和分类性能。为解决这些问题，本研究采用基于并行代价敏感遗传算法的规则分类器PAR-CGA。PAR-CGA利用向量化技术和GPU（图形处理器）并行化技术来加速算法。本研究使用PAR-CGA预测受萨莫斯和西尔维奇地震影响的建筑物损坏情况。此外，算法的有效性在公开可用的类似地震数据集上进行测试，并与知名的规则分类器算法进行比较。统计分析和实验表明，PAR-CGA在Macro F1值方面优于其他算法。
Keyword:
Earthquake damage prediction
High-dimensional imbalanced datasets
Genetic algorithm
Costsensitive learning
Parallelization
期刊
C
IF:
2
论文数:
49
被引数:
0
机构
引用论文
Machine learning approach for software defect prediction using multi-core parallel computing基于多核并行计算的软件缺陷预测机器学习方法
PREAI
分享收藏Response Spectra-Based Post-Earthquake Rapid Structural Damage Estimation Approach Aided with Remote Sensing Data: 2020 Samos Earthquake.png)
BUILDINGS
OAAI
BUILDINGSIF3.1
OAAI分享收藏A machine learning damage prediction model for the 2017 Puebla-Morelos, Mexico, earthquake墨西哥2017普埃布拉-莫雷洛斯地震的机器学习损伤预测模型EARTHQUAKE SPECTRA
EARTHQUAKE SPECTRAIF3.7
PREAI
分享收藏
Performance Evaluation of Different Feature Encoding Schemes on Cybersecurity Logs不同特征编码方案在网络安全日志上的性能评估
PREAI
分享收藏
查看更多内容