基于邻域粗糙集和支持向量机的固结系数预测

采用邻域粗糙集和支持向量机建立滹沱河某地区软土固结系数的预测模型。基于自行改装的渗透固结仪,利用公式法确定不同压力下的固结系数。通过室内试验确定土体的指标参数,采用邻域粗糙集对该指标参数进行属性约简,将约简后的指标参数作为影响因素,分别建立支持向量机和神经网络的固结系数预测模型,预测未知样本的固结系数,并与实测值进行对比。结果表明:公式法可以准确客观地确定固结系数;支持向量机和BP神经网络建立的该地区软土固结系数预测模型均可以预测区域内未知点的固结系数,且支持向量机方法的预测精度比神经网络方法的预测精度提高了约10%。本文提出的方法直接从实验数据出发,通过易获取的影响因素建立特定地区固结系数预测模型,并可预测该区域其余未知点的固结系数。     

地震多属性综合解释的支持向量机方法研究

能够同时对多种属性进行训练,具有优秀推广能力的支持向量机(Support Vector Machine,简称SVM)方法是进行高精度地震参数预测的有力保障。然而,支持向量机中用于构建回归估计函数的参数最优解很难确定。针对该问题,通过建立数学模型进行参数选择研究,总结出了参数ε、C、σ2对样本预测的影响规律。在此基础上提出了求取惩罚因子C和核参数σ2的权系数公式。结合提出的参数求取公式,利用支持向量机方法,以地震属性为输入向量对渤海SZ36-1油田的砂泥岩百分比和孔隙度进行了预测。结果表明,利用该方法对储层参数进行预测具有较高的预测精度;权系数公式的提出极大地缩短了构建回归估计函数所耗用的时间,简化了参数选取的难度。     

基于粒子群算法优化小波支持向量机的岩土力学参数反演

常用的确定岩土力学参数的方法有原位测试和室内试验两种,但都存在一定的局限性,参数选择的合理与否,对设计计算及数值模拟分析结果的有效性影响很大。支持向量机法在理论基础和求解算法方面都具有明显优势,为确保岩土力学参数取值的合理性,采用支持向量机法对岩土力学参数进行反演。先通过小波分析理论构造出支持向量机的核函数,再用粒子群算法(PSO)分别优化Morlet小波、Mexico小波和RBF函数的支持向量机模型参数,通过小波支持向量机模型建立反演参数与沉降值间的非线性映射关系。根据正交试验和均匀试验对需反演的岩土力学参数进行设计,结合有限元软件进行计算分析,得到学习样本和测试样本。分别采用Morlet小波、Mexico小波和RBF函数得出的预测结果和原始数据进行对比分析,发现采用Morlet小波核函数预测效果更佳。使用Morlet小波核函数预测的参数输入到Midas模型中计算建筑物最终沉降量,比较计算值与实际监测值,其相对误差不超过8.1%。研究结果表明,该方法在岩土工程参数的反演中具有良好的应用价值,对今后岩土力学参数的确定及校核提供了一种新方法。     

基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析

边坡稳定性与其影响因素之间存在着复杂的非线性关系。通过分析影响边坡稳定性的主要因素,采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用连续蚁群算法对其进行优化选择,从而提出边坡稳定性预测的蚁群优化支持向量机模型。锦屏一级右岸拱肩槽部位谷坡为顺向坡,绝大部分基岩裸露,自然边坡为大理岩边坡,现状稳定。结合锦屏一级右岸拱肩槽边坡,采用蚁群优化支持向量机模型对其稳定性进行预测分析,预测结果与实际情况吻合较好,说明蚁群优化支持向量机模型在边坡稳定性分析中具有良好的实际应用价值。     

福宁高速公路八尺门滑坡变形演化规律预测研究

将进化支持向量机方法用于边坡变形规律的研究,用遗传算法搜索支持向量机最优参数,避免了人为选择支持向量机参数的盲目性,提高了支持向量机的推广预测能力。利用这种方法预测边坡变形规律,并与监测到的历史数据进行对比,以便工程技术人员及时调整设计方案和施工,维护边坡的稳定性。工程实例表明,该方法具有预测精度高和实时性等特点,具有广阔的应用前景。     

基于AGA的SVM需水预测模型研究

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度.     

基于灰色最小二乘支持向量机的边坡位移预测

利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。     

支持向量机在水淹层测井识别中的应用

支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。笔者尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测井曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。     

W地区储层孔隙度地震预测技术及应用研究

在W地区,储层孔隙度预测技术是将支持向量机方法与分频法相结合构成一种新的地震非线性预测技术.支持向量机是一种基于统计理论的新型机器学习算法,它是建立输入与输出的一个隐形的映射关系,在我们的问题中,应用测井数据作为支持向量机的输入向量,通过支持向量机优选参数,对实际样本数据构造核函数,实现全局最优解.分频法采用短时快速傅利叶变换(SFFT)将地震数据进行时频转换,形成高分辨的分频数据体,作为独立的输入数据体,以提高储层孔隙度反演的分辨率和精度.因此,构成的这种联合预测技术,充分发挥了支持向量机和分频法的优势,这种全新的储层孔隙度预测技术适应储层地质参数高维非线性特点.依据建立的储层孔隙孔隙度预测技术,利用W地区实际地震数据形成的分频数据体和测井数据,对朱海组储层孔隙度进行了预测,获得了高分辨率和高精度储层孔隙度剖面和储层孔隙度数据体.在W地区,预测的朱海组储层孔隙度与测井孔隙度具有良好的一致性,其相关系数值为(0.816～0.945),平均值为0.882,因此,预测的储层孔隙度具有较高的可信度和准确率.在W地区成功应用表明,其方法技术具有通用性和较好的推广性,它的适用面广,预测效果好,易于实现,它将油气储层孔隙度预测推向一个新的发展水平.     

基于粒子群优化支持向量机的煤层底板突水量等级预测

为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。      

砂土地震液化预测的GA_SVM_Adaboost模型

为快速准确地对砂土液化情况作出预测,选取地震烈度、地下水位、覆盖厚度、标贯击数、平均粒径、地貌单元、土质及不均匀系数为主要影响因素,运用相关性分析和因子分析模型对其进行分析和属性约减,采用遗传算法（GA）对支持向量机（SVM）的参数寻优,结合Adaboost迭代算法,建立预测砂土地震液化的GA_SVM_Adaboost模型。选用唐山地震砂土液化现场勘察资料中的329组数据对模型进行训练,利用该模型对剩余68组砂土液化数据进行预测。最后,将预测结果与GA_SVM和SVM模型预测结果进行比较。结果表明,3个模型的平均预测准确率分别为100%、98.04%、89.71%,基于因子分析的GA_SVM_Adaboost模型的预测准确性优于GA_SVM模型和SVM模型,是一种解决砂土地震液化预测问题的有效方法,具有一定的应用参考价值。      

基于GA-SVM的矿井涌水量预测

矿井涌水量的准确预测对预防矿山透水事故的发生至关重要,提出利用GA优化的SVM模型（GA-SVM）来实现矿井涌水量的短期准确预测。该方法利用GA的自动寻优功能寻找SVM的最佳参数,提高了预测的准确率。首先,利用微熵率法求矿井涌水量时间序列的最佳嵌入维数和延迟时间,进行相空间重构。其次,采集义煤集团千秋煤矿2011—2015年实际涌水量的时间序列,利用GA-SVM模型对最后12组数据进行预测,其预测平均绝对百分比误差仅为0.92%,最大相对误差为2.62%。最后,与PSO-SVM和BP神经网络预测进行对比,结果表明GA-SVM优化模型适用于矿井涌水量的预测并且预测精度较高。      

支持向量机对采空区稳定时间的预计

支持向量机是基于结构风险最小化原理的机器学习技术,在广泛收集金属矿山采空区失稳塌陷时间资料的基础上,建立了基于支持向量机的采空区稳定时间的预计模型。通过对采空区稳定时间测试样本的预测研究表明,用支持向量机来预计采空区的稳定时间是可行的。     

Predictive Models for Permeability of Cracked Rock Masses Based on Support Vector Machine Techniques

In this study, a database developed from existing literature about permeability of cracked rock was established. The performance of Support Vector Machine (SVM) combined with optimisation algorithms: Genetic Algorithm (GA) and Particle Swarm Optimisation Algorithm (PSO) in predicting the permeability of cracked rock masses (CRM) is evaluated. Also, the sensitivity analysis of the influence factors to the permeability of CRM is conducted. The results indicate that the hybrid GA–SVM and hybrid PSO–SVM models can accurately predict the permeability of CRM in terms of the statistical performance criteria: Coefficient of Determination R², Regression Coefficient R and Mean Residual Error (MSE); Additionally, optimisation algorithms: PSO and GA can improve significantly the predictive performance of the SVM model. Based on the sensitivity analysis, crack angle is the most important factor to change the permeability of CRM, followed by confining pressure.

     

A study of soft computing models for prediction of longitudinal wave velocity

Genetic algorithm (GA) and support vector machine (SVM) optimization techniques are applied widely in the area of geophysics, civil, biology, mining, and geo-mechanics. Due to its versatility, it is being applied widely in almost every field of engineering. In this paper, the important features of GA and SVM are discussed as well as prediction of longitudinal wave velocity and its advantages over other conventional prediction methods. Longitudinal wave measurement is an indicator of peak particle velocity (PPV) during blasting and is an important parameter to be determined to minimize the damage caused by ground vibrations. The dynamic wave velocity and physico-mechanical properties of rock significantly affect the fracture propagation in rock. GA and SVM models are designed to predict the longitudinal wave velocity induced by ground vibrations. Chaos optimization algorithm has been used in SVM to find the optimal parameters of the model to increase the learning and prediction efficiency. GA model also has been developed and has used an objective function to be minimized. A parametric study for selecting the optimized parameters of GA model was done to select the best value. The mean absolute percentage error for the predicted wave velocity (V) value has been found to be the least (0.258 %) for GA as compared to values obtained by multivariate regression analysis (MVRA), artificial neural network (ANN), adaptive neuro-fuzzy inference system (ANFIS), and SVM.     

基于混合核函数PSO-LSSVM的边坡变形预测

支持向量机（SVM）的核函数类型和超参数对边坡位移时序预测的精度有重要影响。鉴于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入粒子群算法（PSO）对最小二乘支持向量机（LSSVM）超参数进行全局寻优,提出了边坡位移时序预测的混合核函数PSO-LSSVM模型。将模型应用于锦屏一级水电站左岸岩石高边坡变形预测分析,并与传统核函数支持向量机预测结果进行对比分析。结果表明,该模型较传统方法在预测精度上有了明显提高,预测结果科学可靠,在边坡位移时序预测中具有良好的实际应用价值。     

基于? -SVR算法的隧道围岩位移演化规律预测

针对目前广泛应用的灰色理论、遗传算法(GA)和人工神经网络(ANN)等方法预测隧道稳定性的缺陷，提出应用稳健性能较好的? -SVR（support vector machine）算法对非对称连拱隧道围岩位移演化规律进行预测研究。应用加速混合遗传算法搜索? -SVR最优参数，以提高? -SVR的预测能力。将预测结果与灰色理论、BP神经网络预测结果进行比较，显示? -SVR算法学习和预测精度高。     

耦合PCA-SVM算法的金矿矿床规模预测分析研究

判断矿床(点)的类型是矿床勘探中的重要内容,传统预测金矿成矿规模的方法不仅耗时耗力,而且所需的经济成本较大。为提高矿床规模的勘探效率和准确度,揭示元素与金矿成矿规模的潜在联系,文中提出了耦合主成分分析(principal component analysis,PCA)和支持向量机(support vector machine,SVM)算法的预测分析PCA-SVM(principal component analysis-support vector machine)方法。该方法先通过主成分分析提取数据中的主要特征,再将主要特征带入支持向量机算法,从而训练出最优分类器以预测金矿成矿规模。文中共使用了3 812个金矿样本数据用于学习训练和预测分析,训练准确率为92.3%,测试准确率为88.7%,分别比直接使用支持向量机算法高出14.3%和17.1%。基于PCA-SVM的预测模型,不仅消除了人为主观因素的影响,而且有效提高了勘探过程中矿床预测的准确率和矿床勘探的效率,为地质勘查工作提供依据。     

Analysis of soil erosion characteristics in small watersheds with particle swarm optimization, support vector machine, and artificial neuronal networks

Sand production by soil erosion in small watershed is a complex physical process. There are few physical models suitable to describe the characteristics of the intense erosion in domestic loess plateau. Introducing support vector machine (SVM) oriented to small sample data and possessing good extension property can be an effective approach to predict soil erosion because SVM has been applied in hydrological prediction to some extent. But there are no effective methods to select the rational parameters for SVM, which seriously limited the practical application of SVM. This paper explored the application of intelligence-based particle swarm optimization (PSO) algorithm in automatic selection of parameters for SVM, and proposed a prediction model by linking PSO and SVM for small sample data analysis. This method utilized the high efficiency optimization property and swarm paralleling property of PSO algorithm and the relatively strong learning and extending capacity of SVM. For an example of Huangfuchuan small watershed, its intensive fragmentation and intense erosion earn itself the name of “worst erosion in the world”. Using four characteristics selection algorithms of correlation feature selection, the primary affecting factors for soil erosion in this small watershed were determined to be the channel density, ravine area, sand rock proportion, and the total vegetation coverage. Based on the proposed PSO–SVM algorithm, the soil erosion modulus in the small watershed was predicted. The accuracy of the simulation and prediction was good, and the average error was 3.85%. The SVM predicting model was based on the monitoring data of sand production. The construction of the SVM erosion modulus prediction model for the small watershed comprehensively reflected the complex mechanism of soil erosion and sand production. It had certain advantage and relatively high practical value in small sample prediction in the discipline of soil erosion.     

地下结构孕险环境危险性预警的改进SVM模型

针对地震作用下孕险环境样本数据有限、复杂非线性等特点,提出了一种基于最小二乘支持向量机的地下结构孕险环境危险性预警方法。围绕地震后效应的地下工程区域孕险环境危险性预警目标和特征参数,设计孕险环境危险性问题的向量机表示形式,提出孕险环境危险性支持向量机训练工作机制,利用支持向量机结构风险最小化原则和非线性映射特性,建立基于最小二乘支持向量机的地下结构孕险环境危险性预警模型及其算法组件,并利用遗传算法优化其惩罚函数和核函数参数,隐式表达孕险环境危险性与其影响因素之间的非线性关系。结果表明,模型具有有效的小样本学习能力,具有较高的拟合和预测精度,明显优于神经网络等预测模型。