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。     

边坡稳定性预测的粗糙集-距离判别模型及其应用

为克服马氏距离判别模型无法考虑指标权重的不足,引入粗糙集理论,通过分析评判方法对评价对象的支持度和重要性计算得到权重系数。将权重系数嵌入距离判别模型,构建了边坡稳定性预测的加权距离判别模型。根据边坡失稳破坏特点,选取合理的判别因子,以大量工程实例样本作为原始数据和训练样本,建立了边坡稳定性评价预测的粗糙集-距离判别模型。将边坡稳定性评价预测的粗糙集-距离判别模型评价预测结果与马氏距离判别法、支持向量机理论、Bayes判别分析等方法得到的预测结果进行了对比分析,验证了粗糙集-距离判别模型的有效性。将建立的粗糙集-距离判别模型应用于黄河中游地区某大型水利枢纽库区边坡工程,预测结果与实际情况吻合。研究结果表明,粗糙集-距离判别模型具有权重分析合理、预测准确性高等优点,是进行边坡稳定性分析预测的一种新的有效途径。     

基于FCM算法的粗糙集理论在边坡稳定性影响因素敏感性分析中的应用

结合粗糙集理论与模糊C-均值（FCM）算法,提出一种边坡稳定性影响因素敏感性分析新方法。将边坡稳定性影响因素敏感性分析问题转化为粗糙集理论中的属性重要性评价问题,采用FCM算法离散连续属性数据,给出敏感性分析的具体算法。以圆弧型破坏边坡为例,对影响边坡稳定性的单因素与多因素敏感性进行分析,证明了该方法的可行性和有效性。     

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。     

基于PSO和LSSVM的边坡稳定性评价方法

提出了基于粒子群算法（PSO）和最小二乘支持向量机（LSSVM）的边坡稳定性评价方法。该模型既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,同时也利用了粒子群算法快速全局优化的特点。粒子群算法用于搜索最小二乘支持向量机模型的最优参数,然后将模型用于预测边坡的安全系数。计算结果表明,该方法是合理的、有效的。     

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。     

依据支持向量机评价绥满国道主干线某段边坡稳定性

边坡稳定性影响因素和破坏机制复杂,很难用确定的数学模型或力学模型来精确描述,试采用支持向量机进行边坡稳定性评价,选择学习样本,进行学习训练,得到准确率较高的模型,并将该模型应用于绥满国道主干线某段边坡稳定性评价,其结果与专家评价结果基本一致,并符合实际调查情况。     

进化-最小二乘支持向量机的边坡稳定性估计

针对最小二乘支持向量机的参数选择问题,用遗传算法来搜索最小二乘支持向量机的相关参数,避免了人工搜索参数的盲目性,提高了模型的推广性能。根据大量的实际边坡工程数据,建立了基于进化-最小二乘支持向量机的边坡稳定性模型,并将其应用于估计丁家河磷矿自然边坡稳定状况。计算结果与工程实际情况一致,表明了该方法的有效性和合理性。     

岩质高边坡稳定性支持向量机预测方法研究

提出一种基于支持向量机的岩质边坡稳定性预测方法。该方法地很好的表达了岩质边坡稳定性与其影响因素之间的非线性映射关系,并应用该方法建立了相应的模型。预测结果表明,利用该方法进行岩质边坡稳定性预测是可行的、有效的。     

基于PSO-DSRVM的边坡变形预测

为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R²)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。     

利用改进组合交叉熵实现煤层气储层地震属性约简

在煤层气储层参数预测中,地震属性数据量的冗余会给预测带来不便。为获得煤层气储层地震属性的最优约简,提出一种利用改进型交叉熵算法优化地震属性的方法。该方法对迭代过程产生的样本进行改进,进而生成优秀的样本集进行迭代,同时将粗糙集属性约简构成的模型作为目标函数进行寻优求解。最后利用某地区煤层气储层的地震属性对算法进行验证,并与其他算法的测试结果对比、分析,结果表明:该算法对煤层气的地震属性约简耗时小、约简精度和约简率高,可以有效的应用于煤层气储层的地震属性约简。      

基于粗糙集和支持向量机的融合算法在岩体质量评价中的应用

从数据融合角度出发,把粗糙集理论和支持向量机理论结合,用来解决隧道岩体质量评价问题。首先,应用粗糙集理论对岩体质量评价样本数据进行约简,去除冗余特征形成岩体质量影响因素与岩体质量之间简明扼要的关系数据表达形式,形成新的样本数据,然后应用支持向量机理论,对新样本数据进行学习,建立岩体质量的支持向量机评价模型。通过实际工程应用表明,该方法科学可行。      

基于粗集理论的地下水水质指标属性约简

粗集理论是一种处理不确定和不精确问题的新型数学工具。将粗集理论用于地下水水质指标属性约简,采用区分矩阵属性约简算法对原有的4个水质指标进行分析,发现仅需要其中的3个就可以表达相同的地下水水质级别区分能力,还得出了各水质指标相对于地下水水质级别的属性重要性。理论分析和应用实践表明了粗集理论用于地下水水质指标属性约简具有简便、准确和实用性强等特点。     

基于粗糙集条件信息熵的山岭隧道坍塌风险评价

坍塌是山岭隧道施工过程中主要灾害之一。由于影响坍塌的因素众多,且各因素所占的权重差异较大,甚至有些因素是不必要或冗余的。目前常用的评价方法不但未对这些不必要或冗余的因素进行筛选,而且权重的确定过于依赖专家经验和主观赋值,导致风险评价结果精度低、可靠性差。基于此,应用粗糙集理论在数据挖掘、指标筛选和重要性计算方面的优势,将山岭隧道坍塌风险评价构建为粗糙集的决策信息表。但工程试验发现,基于传统依赖度的属性约简及权重计算不能满足要求,存在计算权重为0或约简结果过多,无法取舍的问题。针对以上问题,提出了一种基于条件信息熵的计算方法,该方法将条件信息熵引入到属性重要度和权重的定义中,同时以最重要的条件属性为起点,逐步增添属性,实现属性约简。所建立的方法既能从大量影响因素中,提取出主要影响因素,剔除相对冗余或不重要的因素;同时又能计算得到各因素的客观权重。最后结合模糊综合评价法,建立了基于粗糙集条件信息熵的山岭隧道坍塌风险评价模型,并成功应用于秀村隧道中,表明该模型可靠、实用,为山岭隧道坍塌风险评价提供一条新的研究思路。     

基于粗糙集理论的边坡稳定性评价中因素权重确定方法的研究

为了准确计算影响边坡稳定性的各个因素的权重,应用粗糙集理论对原始数据进行挖掘,在实测数据离散化的基础上,将权重确定问题转化为粗糙集中属性重要性评价问题,建立了关于边坡稳定性评价的关系数据模型,经过属性值特征化建立了知识系统,在数据分析下通过分析评判方法对评价对象的支持度和重要性,计算出边坡稳定性评价模型的权重。该方法克服了传统权重确定方法的主观性,使得边坡稳定性评价方法更具客观性,从而提高了边坡稳定性评价的精度,通过实例说明该方法更加合理有效。     

基于粗糙神经网络的坡面雨滴溅蚀量研究

提出采用粗糙神经网络预测坡面雨滴溅蚀量。用粗糙集方法中条件属性与决策属性相对依赖的概念约简某雨滴溅蚀量试验中的冗余信息,去掉了坡度、雨强、水深、单宽流量4个试验指标中水深和单宽流量两个指标,建立了以坡度、雨强为输入,溅蚀量为输出的2−5−1的粗糙神经网络模型,简化了神经网络的结构,减少了网络的训练时间。实例计算中信息约简后预测值与试验值线性回归的相关系数大于未约简时的相关系数值,计算速度也有所提高。实例计算表明,粗糙神经网络为坡面雨滴溅蚀量预测研究提供了一种有效可行的算法。     

基于支持向量机的地震属性优选及煤层气预测

为了充分发挥地震属性分析技术的优势,针对地震勘探中的小样本事件,阐述了支持向量机原理,开展了基于支持向量机的煤田地震属性非线性优选的方法研究,并在煤层气含量预测中取得了良好的效果。结果表明:基于支持向量机(SVM)属性优选的煤层气预测效果比运用钻孔插值的效果更精确,较好地解决了小样本的学习问题,可作为煤层气预测的一种有效方法。      

基于粗糙集的Logistic回归模型在矿井突水模式识别中的应用

矿井突水模式识别是一个非正态、非线性和高维数据处理问题,也是二分类问题。使用粗糙集属性约简算法对样本数据降维,建立Logistic回归模型,并利用粒子群算法对模型参数优化。该模型对建模样本突水模式识别正确率为90%,对测试样本突水模式识别正确率为100%,效果好于数据不降维的Logistic回归模型。该模型克服了线性回归分析解决二分类问题存在的不足,为矿井突水模式识别提供了一种新思路、新方法。      

基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用

岩爆发生机制复杂,影响因素较多,通过粗糙集理论中的属性约简和条件属性重要性评价,确定特定地质条件下岩爆的主要影响因素,删除冗余数据。使用遗传算法(GA)优化径向基函数（radial basis function,简称RBF）神经网络参数,通过RBF神经网络隐层单元将低维模式输入变换到高维空间内,拟合影响因子和岩爆等级之间的非线性映射关系,建立基于粗糙集理论的遗传-RBF神经网络岩爆预测模型,目前未见其在地下洞室岩爆预测中应用。在根据工程实际情况选取多个理论判据的基础上,将建立的预测模型应用于实际工程的岩爆预测问题,并与实际岩爆发生情况进行对比分析。结果证明,该方法的评价结果与实际情况较为吻合,对后期施工有较好的指导作用。