岩爆分类的支持向量机方法

针对岩爆分类问题,提出了基于支持向量机的分类方法。通过对影响岩爆因素的分析,运用支持向量机理论建立岩爆类别的支持向量机模型。结果表明,基于支持向量机的岩爆分类方法具有较高的准确率,该方法是科学可行的,具有广泛的应用前景。     

基于经验模态分解和加权最小二乘支持向量机的采空区地面塌陷预测

根据采空区路面塌陷数据的特性,提出了基于经验模态分解（EMD）和加权最小二乘支持向量机（WLS-SVM）预测采空区地面塌陷的新方法,并将其应用于吉林省长平高速公路因刘房子煤矿开采而引起的塌陷预测中。对实测的塌陷数据首先利用三次样条插值得到平滑的信号曲线,然后用EMD对插值后的信号进行时空滤波降噪处理,得到反映塌陷趋势的剩余分量,最后将其馈入到WLS-SVM模型完成预测。预测给出了采空区塌陷的中长期预测结果,得到塌陷区的最终塌陷值为174.34 cm,预测结果与实际监测数据平均偏差约1.06%。对长平高速公路下伏采空区段的实测数据进行分析,并与最小二乘支持向量机（LS-SVM）和BP神经网络预测结果进行了对比。结果表明:基于EMD和WLS-SRM的采空区地面塌陷预测方法具有更高的预测精度和广泛的适用性。     

基于SVM的煤岩破裂与失稳预测模型

煤岩破裂与失稳的定量化实验是准确预测预报采空区动力学灾害的基础研究。基于采空区上覆煤岩破裂与动力学失稳相似材料模拟实验,利用支持向量机方法对煤岩破裂的不同阶段进行预测,找出大尺度采空区煤岩介质断裂与突然失稳的应力-位移-声发射“预警值(区)”,对开采中诱发动力灾害的危险源辨识及预警提供了定量化的依据,为工程现场准确、及时预报采空区煤岩断裂失稳规律提供了有效依据。      

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。     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

加权支持向量回归机及其在水质预测中的应用

支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。     

支持向量机在砂土液化预测中的应用研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。     

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。     

岩质边坡稳定性评价的粗糙集－支持向量机方法

结合粗糙集和支持向量机两种智能算法,建立了基于粗糙集与支持向量机的岩质边坡稳定性评价模型。首先根据有限的经验数据建立属性决策表,通过属性约算法找出影响边坡稳定性的关键因素;然后将所提取的关键信息训练支持向量机。本文以铁路沿线边坡为例,进行边坡稳定性验算,结果表明算法能有效降低边坡稳定性影响因素集数据维数及支持向量机的复杂程度,提高训练速度和泛化能力。     

SVM在地下工程可靠性分析中的应用

将支持向量机应用到地下工程可靠性分析中,通过将支持向量机分别与一阶二次矩和蒙特卡洛结合,提出了基于支持向量机的可靠性分析方法,利用数值模拟构造学习样本,通过支持向量机学习,建立变形与随机变量之间映射关系的支持向量机表达,进而实现隧道极限状态函数及其偏导数的显式表达,从而计算隧道的可靠性指标。该方法避免了传统可靠性分析的缺点。算例分析结果表明,该方法计算效率高、结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。     

多层采空区调查中瞬变电磁法的应用

有些煤层存在2层或2层以上的采空区,目前很多方法只能有效地探测最顶层采空区。针对这一情况,根据多层采空区的地球物理特征,利用瞬变电磁法,通过分析多测道电压剖面图和拟视电阻率断面图,准确地探测出了多层采空区的位置。结果表明,根据多层采空区地球物理特征,利用瞬变电磁法准确探测多层采空区的位置划清责任是形之有效的方法。     

基于灰色关联度模型的区域滑坡敏感性评价

数理统计和机器学习模型如支持向量机(support vector machine,SVM)等,在区域滑坡敏感性评价中得到广泛的应用.但这些模型的建模过程往往较复杂,如在对机器学习进行训练和测试时难以选取合理的非滑坡栅格单元,而且有较多的模型参数需要确定.为提高滑坡敏感性评价建模的效率和精度,提出基于灰色关联度的敏感性评价模型.灰色关联度模型能有效计算各比较样本与参考样本之间的定量的关联度,具有建模过程简洁和评价精度高的优点,该模型目前在区域滑坡敏感性评价中的应用还没有引起研究人员的足够关注且有待进一步拓展.拟将灰色关联度模型用于浙江省飞云江流域南田—雅梅图幅(南田地区)的滑坡敏感性评价,并将得到的评价结果与SVM模型的敏感性评价结果作对比分析.结果显示,灰色关联度模型在高和极高敏感区的滑坡预测精度优于SVM模型,而在中等敏感区的滑坡预测精度略低于SVM模型;整体而言,灰色关联度模型对整个南田地区滑坡敏感性分布的预测精度略高于SVM模型.对两个模型建模过程的对比结果显示,灰色关联度模型建模较简单,具有比SVM模型更高的建模效率,为滑坡敏感性评价提供了一种新思路.     

Applicability of Statistical Learning Algorithms for Spatial Variability of Rock Depth

Two algorithms are outlined, each of which has interesting features for modeling of spatial variability of rock depth. In this paper, reduced level of rock at Bangalore, India, is arrived from the 652 boreholes data in the area covering 220 sq⋅km. Support vector machine (SVM) and relevance vector machine (RVM) have been utilized to predict the reduced level of rock in the subsurface of Bangalore and to study the spatial variability of the rock depth. The support vector machine (SVM) that is firmly based on the theory of statistical learning theory uses regression technique by introducing ε-insensitive loss function has been adopted. RVM is a probabilistic model similar to the widespread SVM, but where the training takes place in a Bayesian framework. Prediction results show the ability of learning machine to build accurate models for spatial variability of rock depth with strong predictive capabilities. The paper also highlights the capability of RVM over the SVM model.     

瞬变电磁方法在山西某煤矿区水患调查的应用

由于历史原因,煤炭资源整合矿区老窑采空区分布及积水情况不清,成为煤矿安全生产的重大隐患。利用煤炭采空区电性特征,选择以瞬变电磁勘探为主的大面积勘探,可以发挥其高效率、高精度的特点,辅以其它勘探手段进行综合勘查,能快速有效地确定采空区的位置及赋水情况。本次研究是采用瞬变电磁勘探为主的勘探方法对山西一煤矿区水患情况进行调查。首先根据矿区的测井资料对地电条件进行分析,通过针对性的试验,选择合理的施工参数。利用多种方法将采集数据进行处理分析,得到反应不同地质特征的剖面及平面图件,特别是利用专用软件得到煤层富水性目标分析对比图,更明确直观地反应采空区的位置及富水性。此次水患调查,基本查明了矿区内采空区及积水区位置、范围等情况,部分分析成果得到钻孔验证,证明采用瞬变电磁法勘探为主的勘查手段,在本矿区进行水患调查成果显著,为矿井的水患防治工作提供了可靠的资料依据。     

潜孔锤技术在三道庄钼矿采空区探测中的应用

结合高风压潜孔锤钻进技术在洛阳栾川钼业集团三道庄钼矿区采空区探测中的应用,介绍了高风压潜孔锤技术钻进塌陷区、穿越采空区施工技术。应用高风压潜孔锤钻进技术在洛钼集团三道庄钼矿进行采空区探测,摸索出了相应的钻进工艺方法,大幅度提高了成孔率,对同类型矿山采空区勘探具有参考意义。     

基于成矿条件数值模拟和支持向量机算法的深部成矿预测——以粤北凡口铅锌矿为例

随着计算机科学和地质大数据技术的迅猛发展,数值模拟和机器学习已成为当今地学领域定量发展的重要前沿方向。数值模拟综合运用了研究区地质、构造、地球物理、地球化学等多源信息,将成矿条件与过程进行量化模拟分析,对研究成矿动力学演化过程及成矿响应有重要意义,可对已有成矿要素/信息在时空上进行扩展/外推,扩大了成矿预测信息的广度和深度,为解决深部成矿预测中获取深部信息难题提供了一种可能的有效途径。支持向量机是一种重要的机器学习分类算法,它具有简洁、方便、高效和计算结果较稳定等特点,在众多领域中得以成功应用,是成矿预测中多源信息提取与融合的一种可靠的技术手段。为了充分利用数值模拟与机器学习的优势,本文提出将计算机数值模拟方法和机器学习(即支持向量机算法)相结合来进行深部成矿预测的新方法。以粤北凡口超大型铅锌矿为例,首先,对凡口矿区勘探线剖面进行构造应力场模拟;进而,以已知钻孔数据作为训练集和测试集,运用支持向量机算法对模拟结果中的不同参量(也即模拟所得的成矿条件)进行训练学习;最后,建立相应的定量找矿预测模型对研究区(或剖面)外围和深部找矿进行预测评价。研究结果表明,本文所建立的预测模型精确度和召回率都较好,预测结果显示出了三个成矿可能较大的区域,说明数值模拟技术和机器学习算法结合应用的效果较好。这种新的成矿预测方法为深部找矿预测提供了一种可行的新思路和新途径,可以有效地拓展运用到其他矿区、其他类型矿床的深部找矿预测工作中。     

声波检测在煤矿采空区灌浆质量效果中的应用

煤矿采空区常常破坏其上覆岩土层的稳定性,使其产生变形,直至崩塌、塌陷、地裂等,对上方建筑物造成危害。为加固岩土层的稳定,常采用钻孔灌浆法,封堵采空区及岩土层裂隙。笔者介绍了超声波检测钻孔灌浆质量的方法原理并做了测试效果分析。     

A comparative study of landslide susceptibility mapping using weight of evidence,logistic regression and support vector machine and evaluated by SBAS-InSAR monitoring: Zhouqu to Wudu segment in Bailong River Basin,China

The determining of landslide-prone areas in mountainous terrain is essential for land planning and hazard mitigation. In this paper, a comparative study using three statistical models including weight of evidence model (WoE), logistic regression model (LR) and support vector machine method (SVM) was undertaken in the Zhouqu to Wudu segment in the Bailong River Basin, Southern Gansu, China. Six conditionally independent environmental factors, elevation, slope, aspect, distance from fault, lithology and settlement density, were selected as the explanatory variables that may contribute to landslide occurrence based on principal component analysis (PCA) and Chi-square test. The relation between landslide distributions and these variables was analyzed using the three models and the results then used to calculate the landslide susceptibility (LS). The performance of the models was then evaluated using both the highly accurate deformation signals produced by using the Small Baseline Subset Interferometric Synthetic Aperture Radar technique and Receiver Operating Characteristic (ROC) curve. Results show more deformation points in areas with high and very high LS levels, and also more stable points in areas with low and very low LS levels for the SVM model. In addition, the SVM has larger area under the ROC curve. It indicates that the SVM has better prediction accuracy and classified ability. For the interpretability, the WoE derives the class of factors that most contributed to landsliding in the study area, and the LR reveals that factors including elevation, settlement density and distance from fault played major roles in landslide occurrence and distribution, whereas the SVM cannot provide relative weights for the variables. The outperformed SVM could be employed to determine potential landslide zones in the study area. Outcome of this research would provide preliminary basis for general land planning such as choosing new urban areas and infrastructure construction in the future, as well as for landslide hazard mitigation in Bailong River Basin.     

基于TM和ETM+影像数据的东沙环礁珊瑚礁监测

以东沙环礁为研究区域,选取1999年Landsat-7 ETM+影像数据和2001年、2009年Landsat-5 TM影像数据为主要数据源,应用基于统计学习理论的支持向量机（SVM）分类技术,通过选择训练时间较短的“一对一”SVM方法和RBF核函数,对3个年度的影像数据进行珊瑚礁信息提取。结果表明：2009年东沙环礁珊瑚礁面积为140.93 km²;1999－2009年,东沙环礁珊瑚礁面积减少了17.54 km²,珊瑚礁破碎化、白化现象趋于明显,珊瑚礁退化处于中期阶段。空间分辨率的提高可得到更准确详尽的珊瑚礁信息,尤其对小面积珊瑚礁的信息提取。     

Landslide susceptibility assessment using SVM machine learning algorithm

This paper introduces the current machine learning approach to solving spatial modeling problems in the domain of landslide susceptibility assessment. The latter is introduced as a classification problem, having multiple (geological, morphological, environmental etc.) attributes and one referent landslide inventory map from which to devise the classification rules. Three different machine learning algorithms were compared: Support Vector Machines, Decision Trees and Logistic Regression. A specific area of the Fruška Gora Mountain (Serbia) was selected to perform the entire modeling procedure, from attribute and referent data preparation/processing, through the classifiers' implementation to the evaluation, carried out in terms of the model's performance and agreement with the referent data. The experiments showed that Support Vector Machines outperformed the other proposed methods, and hence this algorithm was selected as the model of choice to be compared with a common knowledge-driven method – the Analytical Hierarchy Process – to create a landslide susceptibility map of the relevant area. The SVM classifier outperformed the AHP approach in all evaluation metrics (κ index, area under ROC curve and false positive rate in stable ground class).