基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

基于GA-SVR的地铁隧道沉降预测

利用支持向量回归(SVR)和遗传算法(GA)参数寻优,建立了基于GA-SVR的地铁隧道沉降预测模型,可提高地铁隧道沉降预测的精度。利用长期实测的地铁结构监测数据对SVR模型进行训练,并通过GA优化SVR模型的3个参数;利用训练模型均方误差结合留一交叉验证的方法确定GA的适应度。基于南京地铁2号线隧道结构沉降实测数据,将预测值与实测值进行了对比分析。结果表明,该模型预测的地铁隧道沉降预测值准确、可靠,其精度能满足工程实际要求。     

灰色最小二乘支持向量机在滑坡变形预测中的应用

结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的.     

基于AEPSO改进支持向量机的堤基沉降预测

在支持向量机的预测模型中,关键参数的选取是最重要的一步。在此基础上提出基于AEPSO改进的支持向量机预测模型。利用AEPSO的局部和全局搜索能力,提高支持向量机关键参数寻优的精度。文中详细介绍模型建立的过程,以莆田市木兰溪防洪工程为例,应用改进的模型进行堤基沉降预测,并与标准PSO支持向量机预测模型相对比。结果表明,基于AEPSO改进的支持向量机预测模型提高了预测的精度。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

变形预测模型在地铁保护区监测中的应用

结合某地铁保护区隧道监测工程,对沉降数据进行了分析及建模预测,以掌握其变形规律并预测变形趋势。由于单一预测模型存在弊端,较难达到预测要求,所以将灰色预测模型与时间序列模型进行组合,并将新陈代谢的思想引入组合模型进行建模预测。结果表明,新陈代谢灰色-时序组合模型预测结果可靠,具有较高应用价值。     

基于支持向量机的建筑物沉降预测模型研究

建立基于支持向量机的建筑物沉降预测模型，并将其应用于建筑物的沉降预测。与采用BP神经网络的预测结果相比，支持向量机取得较好的预测结果。实例表明支持向量机在小样本数据的预测上具有精度高、泛化能力强的特点，为建筑物的沉降预测提供一种新的方法。     

改进布谷鸟算法优化支持向量机的隧道变形预测分析

传统支持向量机参数寻优时间较长,模型的稳定性也较差。为解决传统支持向量机预测模型在隧道围岩变形预测中精度较低的问题,引入布谷鸟算法,同时改进布谷鸟算法中的搜索公式,从而提出一种基于改进布谷鸟算法的支持向量机组合预测模型。将此模型运用到云南省昆明市阳宗隧道围岩位移预测中,并与标准布谷鸟算法的支持向量机组合模型以及单一的支持向量机模型比较,实验结果表明:基于改进布谷鸟算法的支持向量机模型精度更高,更具有优势。     

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型．通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果．      

改进的GM-AR组合模型在地铁沉降预测中的应用

灰色预测模型对沉降的整体趋势有很好地预测结果,时序模型针对随机性的数据进行预测,二者结合一定程度上可提高预测的精度。文中通过改进GM-AR模型并将其应用于地铁沉降预测中,同时与灰色预测模型和GM-AR组合模型的预测精度进行对比分析。结果表明,改进后GM-AR模型可以有较好的预测效果。