基于ε-SVR算法的大地电磁测深资料去噪

消除噪声干扰对大地电磁测深资料的影响是大地电磁(MT)工作中的首要问题.基于结构风险最小化原则的支持向量机能够解决小样本情况下非线性函数拟合的通用性和推广性问题,是求复杂的非线性拟合函数的一种有效技术.本文首先介绍了ε-SVR(ε不敏感损失函数—支持向量机回归)的原理及SVR相关参数的选择,在此基础上,利用该算法对大地电磁测深实测资料进行回归处理,并与当前常用的去噪方法(Robust变换结合人工筛选)进行对比,结果表明ε-SVR算法可以较好地消除MT测深曲线所受噪声影响,提高工作效率.同时给原始数据加入10%噪声,并利用该算法对加噪后的数据进行回归处理,加噪前后拟合结果的绝对误差的均方差为9.454,相对误差的均方差为1.61%,证明该模型具有良好的泛化能力和稳健性.     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

珠江黄埔大桥模态频率连续监测中的温度影响Ⅱ:温度影响及建模分析

本文在《珠江黄埔大桥模态频率连续监测中的温度影响Ⅰ:频率识别》的基础上,利用2013年10月至11月的识别频率和温度数据,针对环境温度对珠江黄埔大桥频率监测的影响问题进行研究。首先通过时程曲线对比以及线性拟合,对温度与识别频率进行相关性分析;然后分别采用多项式回归和支持向量机回归方法(SVR)进行建模分析,并利用拟合模型对测试样本进行频率预测;最后通过残差分析,评价了两种非线性模型的拟合效果。研究结果表明,大桥模态频率与环境温度之间存在明显的非线性的负相关关系,两种非线性模型均能很好地对频率与温度的关系进行模拟,得到了较好的预测结果。     

支持向量机及其在地震预报中的应用前景

统计学习理论(SLT)是研究小样本情况下机器学习规律的理论。支持向量机(SVM)基于统计学习理论,可以处理高度非线性分类和回归等问题,不但较好地解决了小样本、过学习、高维数、局部最小等实际难题,而且具有很强的泛化(预测)能力。本文介绍了支持向量机的分类、回归方法,分析了这一方法的特点,讨论了该方法在地震预报中的应用前景。     

基于支持向量机的砂土液化预测分析

将支持向量机方法应用于砂土地震液化预测问题.考虑影响砂土液化的因素,选用震级、标贯击数、相对密实度、土层埋深、地震历时、地面运动峰值加速度和震中距7个影响因子作为液化判别指标,建立了砂土液化预测的支持向量机模型.以砂土液化实测数据作为学习样本进行训练,建立相应函数对待判样本进行分类.研究结果表明:支持向量机模型分类性能良好,是砂土地震液化预测的一种有效方法,可以在实际工程中进行推广.     

半监督最小二乘支持向量机的研究及其在海上油田储层预测中的应用（英文）

勘探开发初期海上油田钻井少、井间距离大,在应用地震多属性分析技术预测储层参数的过程中,直接采用监督最小二乘支持向量机算法预测精度较低。本文将最小二乘支持向量机与半监督学习理论结合,提出基于最小二乘支持向量机协同训练的半监督回归模型,并在模型训练过程中引入矩阵迭代求逆的方法,提高模型训练速度。利用UCI数据集实验研究,对比了半监督与监督最小二乘支持向量机模型,结果表明,半监督学习机制能够有效地提高最小二乘支持向量机的泛化性能,且随着训练样本的减小,效果更加明显;同时对比了半监督最小二乘支持向量机与半监督k-临近算法,结果显示,在小样本建模中,半监督最小二乘支持向量机有着更高的预测精度。最终将半监督最小二乘支持向量机运用于锦州工区,预测该区的砂体及储层孔隙度的分布,获得了较好的地质效果。     

基于最小二乘支持向量机的城市桥梁震害预测模型研究

针对地震中城市桥梁震害状态具有较强的非线性、复杂性的特点,采用了具有RBF核函数的最小二乘支持向量机(LS-SVM)算法。在大量收集我国地震中城市桥梁震害资料的基础上,将此算法引入桥梁的震害预测中,选取了地震烈度、上部结构、地基失效程度、支座类型、墩台高度、桥梁跨数和场地类别等因素作为模型的特征输入向量,建立了最小二乘支持向量机的桥梁震害预测模型。通过反复地样本训练及模型参数设置,仿真结果表明,该方法具有一定的准确度和可行性。基于最小二乘支持向量机的桥梁震害预测方法是一种可以用于地震中桥梁震害预测的良好方法。     

基于支持向量机的非线性AVO反演

本文提出了一种新的AVO非线性反演方法,即利用支持向量机来求解AVO非线性反演问题.文中先对支持向量机的原理进行了阐述,然后建立了适合AVO反演的支持向量机模型.最后利用该方法对模型数据和实际资料进行了反演计算,反演结果表明,该方法在没有牺牲反演效果的情况下较好的解决了传统反演方法所具有的局限性,可以直接从合成记录中提取地层的弹性参数,反演速度快、稳定性好.     

利用支持向量机和高斯过程回归测定水库诱发的地震(英文)

水库诱发地震震级(M)的预测是在地震工程中的一项重要任务。本文采用支持向量机(SVM)和高斯过程回归(GPR)模型根据水库的参数预测了水库诱发地震震级(M)。综合参数(E)和最大的水库深度(H)作为支持向量机和高斯过程回归模型的输入参数。我们给出一个方程确定水库诱发地震震级(M)。将本文开发的支持向量机和建立的高斯过程回归方法与人工神经网络(ANN)方法相比。结果表明,本文研发的支持向量机和高斯过程回归方法是预测水库诱发地震震级(M)的有效工具。     

基于支持向量机分类的嘉陵江草街水库甲藻水华预警

嘉陵江草街水库自建成后2011-2013年连续3年发生甲藻水华现象,给当地经济发展和生态安全带来影响.根据2011年5月至2013年7月草街水库大坝上、下游8个断面的逐月调查数据,利用支持向量机在处理小样本问题、非线性分类问题和泛化推广方面的优势,构建了基于支持向量机分类的草街水库甲藻水华预警模型.结果表明,利用本月理化数据和本月倪氏拟多甲藻(Peridiniopsis niei)密度数据建立的模型,对测试样本取得了80%以上的判别正确率,且对甲藻水华样本的判别正确率为100%.因此,支持向量机作为新兴的机器学习方法,可以为环境管理部门发布水华预警信息提供科学依据,并在环境保护领域具有广阔的应用前景.     

基于支持向量机和小波包的金属矿床地震数据去噪

针对深部找矿地震资料信噪比很低的问题,结合小波包和支持向量机的理论,提出了一种新的去噪算法.该算法首先从地震资料中找出噪声干扰极小的和噪声很强的数据,利用支持向量机进行训练学习,提取噪声和有效信号的样本特征.然后将地震资料实施小波包变换得到更加精细和不同频带的信号,利用支持向量机训练出的样本特征对小波包变换后的数据进行...     

联合DBSCAN聚类采样和SVM分类的滑坡易发性评价

针对基于机器学习的滑坡易发性评价中非滑坡样本选取不规范导致的分类精度较低问题,本文提出联合基于密度的噪声应用空间聚类（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）采样策略和支持向量机（Support Vector Machine,SVM）分类方法的DBSCAN-SVM滑坡易发性评价模型。首先,基于DBSCAN聚类和空间分析选取非滑坡样本;然后,将样本数据代入SVM分类模型进行训练与验证,预测并提取SVM分类中属于滑坡的概率,获得滑坡易发性;最后,以四川省绵阳市为试验区,预测滑坡易发性概率,基于滑坡易发性精度与分级结果等要素,与传统非滑坡样本采集策略的SVM滑坡易发性评价模型进行对比,并结合实际情况对DBSCAN-SVM模型评价结果进行分析。研究结果表明,相比传统SVM滑坡易发性评价模型,本文提出的DBSCAN-SVM滑坡易发性评价模型在高易发区和极高易发区中包含的滑坡样本数量较多,准确率、召回率、AUC、F1分数均得到提高,精度较高。     

支持向量机在地震综合预测中的初步应用

统计学习理论是一种专门研究小样本情况下机器学习规律的理论,在其基础上发展的支持向量机学习方法能较好地解决小样本、非线性、高维数、局部极小点等实际问题,并已在函数逼近、模式识别、信号处理、时间序列分析和预测等领域得到了广泛应用.本文将支持向量机方法引入具有非线性特征和复杂孕震系统的地震综合预测领域,以华北地区(30°～42°E,108°～125°N)为例,基于地震活动参数研究从有限的地震样本中挖掘更多有效的地震信息,探索地震统计综合预测的新途径.     

基于支持向量机的多维地震时间序列建模

文中首先介绍了支持向量机回归方法,然后对其进行了数值仿真实验,最后利用该方法对首都圈地区的地震活动进行回归建模与内符检验。分析认为,利用该方法可以获得较强的多维地震样本学习、建模与外推泛化能力,具有较高的中长期地震危险性估计能力。     

支持向量机方法在地震短期预测中的应用

支持向量机方法是基于统计学习理论提出的一种机器学习方法,在处理小样本、非线性问题方面有着很强的优势。而地震的孕育发生过程是一个复杂的非线性动力学系统,地震数据时间序列的变化更呈现非线性、不规则等特征。本文系统地分析了天津及其周边地区多种前兆现象,选取反映2至3个月短期情况的前兆测项,使用支持向量机分类方法建立地震综合预测模型,初步结果表明这种方法在地震短期预测中有一定的应用前景。     

支持向量机在储层厚度预测和计算中的应用

本文通过对油田储层结构的分析,运用支持向量机的理论和方法,建立了用于预测和计算储层厚度的支持向量机回归模型,并对该模型从参数变化范围、核函数选择、误差评价的标准等多方面进行了探讨,找出了建立储层厚度预测模型的一种有效方法,通过对实际储层厚度的预测,证明该方法在预测和计算储层厚度中具有较高的参考价值.     

我国大陆强震预测的支持向量机方法

统计学习理论是研究小样本情况下机器学习规律的理论. 支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法. 它不但较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际难题，而且具有很强的泛化（预测）能力，其预测效果通常优于人工神经网络. 我国大陆强震与全球主要板块边界的强震活动之间具有一定的关系，但是这种关系具有较强的非线性. 尽管这种关系还不清楚， 但是通过支持向量机可以很好地进行建模， 并对我国大陆强震进行预测.      

预测华北地区年度地震趋势的支持向量机分类方法

以太阳黑子数、地球自转速率变化数据和全球7级以上地震应变释放量作为预测因子,使用支持向量机分类方法建模预测中国华北地区年度地震强度,预测准确率为0.93,表明该方法具有较好的预测效果.     

利用相关因子预测中国大陆强震的支持向量机方法

中国大陆地震活动与太阳活动、地球自转和全球地震活动之间存在较强的非线性关系。文中以太阳黑子数、地球自转速率变化数据和全球7级以上地震总应变释放量作为预测因子,使用支持向量机分类方法建模预测中国大陆年度地震强度,预测效果较好,表明支持向量机分类方法是一种较好的预测中国大陆地震活动强度的方法。     

基于改进的贝叶斯推断和最小二乘支持向量机的非线性多波联合AVO反演（英文）

多波地震资料采集和处理技术的发展促进了联合PP波和PS波数据的多波联合AVO反演的应用,常规多波联合反演是线性的,通常基于Zoeppritz方程近似式进行多次迭代,导致其在远炮检距情况下求解得到的纵、横波速度和密度等参数精度不高。多波联合反演存在非线性问题。为此,本文提出了一种基于精确Zoeppritz方程的非线性反演方法。该方法结合改进的贝叶斯推断和最小二乘支持向量机方法来求解非线性反演问题。首先,采用粒子群算法来优化贝叶斯推断的参数初始值。改进的贝叶斯推断是通过最大化超参数的后验概率来获得最小二乘支持向量机的最优参数,提高了最小二乘支持向量机的学习和泛化能力。然后,利用此最优参数建立PP波、PS波反射振幅与弹性参数之间的最优非线性最小二乘支持向量机模型,从而提高了多波联合反演的精度。该方法只需训练一次模型,就可以解决多波联合反演的非线性问题。模型测试表明,利用该方法反演出的弹性参数精度要高于仅用PP波进行贝叶斯线性近似式反演得到的结果。此外加噪模型数据的反演结果表明,该方法具有较好的抗噪性。实际多波资料的应用进一步验证了方法的可行性及其相对于PP波贝叶斯线性近似式反演的优势。