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。     

基于组合核函数的高斯过程边坡角智能设计

高斯过程(GP)是近年来发展迅速的一种全新学习机。与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点。结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数（ARD）引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算法导出最优超参数,用ARD超参数进行输入属性相关性分析和特征选取,并以此网络对测试样本进行学习预测,结合支持向量回归方法给出了在回归问题上的应用和对比分析。结果表明：在边坡角智能设计应用中,采用组合核函数的GPR网络ARD参数具有明确的物理意义,预测回归性能优于SVM,且预测输出的概率解释能更好的体现预测值的代表性,为边坡角设计开辟新径。     

基于粒子群-高斯过程回归耦合算法的滑坡位移时序分析预测智能模型

高斯过程回归(GPR)学习机有着容易实现、超参数自适应获取及预测输出具有概率意义等优点。通常采用共轭梯度法获取GPR超参数,但其存在优化效果对初值依赖性太强,迭代次数难以确定,易陷入局部最优的缺点。改用粒子群优化 (PSO)算法进行最优超参数搜索,形成粒子群-高斯过程回归耦合算法(PSO-GPR)。将该算法引入三峡永久船闸高边坡、卧龙寺新滑坡、链子崖滑坡3个不同的典型滑坡变形时序分析中,对每个滑坡分别采用稳态核及一种新式神经网络（NN）、平方指数（SE）、有理二次型（RQ）3种单一核函数进行外推预报测试。工程应用表明,基于3种不同单一核函数的粒子群-高斯过程回归算法（PSO-GPR）均能完全适应不同滑坡时序分析,其中以NN核函数外推预测效果最佳,平均相对误差分别为6.37%、7.62%、1.07%,从而改善了在进行不同滑坡变形时序分析时采用单一核函数的核机器外推能力存在较大差异性的问题,提高了单一核函数对不同数据类型的兼容性     

滑坡位移时序预测的核函数构造

获得支持向量机(SVM)背景下滑坡位移时序准确预测的关键,是构造或选择一合适的核函数。通过分析滑坡位移时序曲线特征以及不同类型Mercer核的性质,从基于核函数上的封闭运算角度,构造出支持向量机背景下预测滑坡位移时序的最佳核函数。利用3组不同特征的滑坡位移时序,对构造出的核函数进行性能检验,数值实验表明：对于典型的3组滑坡时序,LPG与MPG核的学习性能要优于简单核,且前者适合复杂位移时序的回归预测,而后者更适合规律性较强的简单时序曲线的建模预测。此外,探讨了这两种核函数下的核参数取值对模型精度的影响。     

基于PSO-SVM的边坡稳定性组合预测方法研究

为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型。该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性。为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数。利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径。     

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。     

基于多核模式的隧道沉降预测

为提高支持向量机的预测精度,提出一种基于自适应多核学习模型的预测方法。自适应多核学习算法中采用树形筛选结构,通过生枝、剪枝操作完成核函数间的相加、相乘处理,增强了多核函数的非线性与多样性。采用网格遍历和粒子群算法对核参数、权重系数及模型参数进行寻优处理,弥补了训练样本缺少先验知识对参数赋值产生的偏差。将多核学习方法用于地铁隧道沉降预测,并与单核函数的预测数值进行对比。试验结果表明,自适应多核学习模型有效提高了预测模型的预测精度及泛化性能。     

基于遗传算法-支持向量机的滑坡渗透系数反演

求解库岸边坡岩土体的渗透系数是研究滑坡渗流场及多场演化的基础,一般通过原位试验和室内试验求得,但试验成本较高且试验位置具有一定的随机性。本文以三峡库区马家沟滑坡为例,提出一种利用地下水位动态观测资料反演滑坡岩土层渗透系数的方法。具体步骤为:（1）依据滑坡的勘察资料和水位观测数据,构建滑坡数值模型;（2）利用SPSS生成不同渗透系数正交试验组合,并将渗透系数代入数值模型中计算监测井的水位,得到不同渗透系数及其对应的模拟水位数据;（3）应用遗传算法优化的支持向量机构建坡体模拟水位与渗透系数的非线性映射关系,再通过代入实际动态监测水位值求得滑坡岩土层的渗透系数;（4）将求得的渗透系数代入数值模型,用计算的模拟水位与实际观测水位进行对比验证。研究结果表明:遗传算法优化的支持向量机具有良好的学习预测效果,能准确预测渗透系数与水位的关系。该反演方法具有高效、准确的优点,反演结果的精度满足实际应用需要。     

基于最优加权组合模型及高斯－牛顿法的滑坡变形预测研究

在对最优加权组合理论和高斯－牛顿法优化非线性模型参数的方法研究的基础上,依托于洒勒山滑坡的实际变形监测资料,建立了该滑坡变形预测的3个非线性预测模型:指数模型、Verhulst模型和灰色GM（1,1）模型;利用最优加权组合理论建立了洒勒山滑坡的最优加权组合预测模型,并运用高斯－牛顿法对各单一模型和组合模型的参数进行了优化。通过对比分析得出:组合模型的预测精度高于任何单一模型的预测精度;参数优化后各单一模型的预测精度都有不同程度的提高;参数优化后的组合模型预测精度是最高的。因此,综合运用最优组合理论和高斯－牛顿法处理滑坡预测预报模型,是提高滑坡预测预报精度的行之有效的方法。     

基于量子遗传算法与多输出混合核相关向量机的堆石坝材料参数自适应反演研究

为进一步提高堆石坝材料参数反演模型的计算精度与适用性,建立了基于量子遗传算法（QGA）与多输出混合核相关向量机（MMRVM）的自适应反演模型。通过引入混合核函数,使所构建的MMRVM能够高精度地模拟材料参数与大坝沉降间的复杂非线性关系,从而代替耗时较长的有限元（FEM）计算。通过利用参数较固化的QGA优化确定MMRVM核参数,使反演模型具有自适应性。以实测沉降数据为依据,充分发挥QGA的全局搜索能力反演筑坝材料本构模型参数。在分析模型所需测点个数与信噪比对计算结果影响的基础上,通过公伯峡堆石坝应用实例证明：QGA-MMRVM可快速、精确地反演堆石坝筑坝材料本构模型参数,模型凭借其自适应性在实际工程中具有良好的应用前景和推广价值。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

核主成分分析与支持向量机模型在储层识别中的应用

针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别.该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别.由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能.将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法.     

基于遗传支持向量机的地下工程裂隙岩体注浆量预测

提出了地下工程裂隙岩体注浆量预测的遗传支持向量机方法,通过支持向量机对实际注浆数据样本进行学习,建立注浆量及其影响因素之间的非线性映射关系,基于这种关系实现注浆量的预测。模型建立过程中,考虑到支持向量机惩罚因子和核参数对预测精度的影响,以预测误差为适应度,采用遗传算法对最佳参数进行搜索。结果表明,本文方法计算快速,预测精度高,是一种注浆量预测的好方法。     

Active and online prediction of BOD5 in river systems using reduced-order support vector machine

Due to the limitations of hardware sensors for online measurement of the water quality parameters such as 5-day biochemical oxygen demand (BOD₅), the recent research efforts have focused on the software sensors for the rapid prediction of such parameters. The main objective in this research is to develop a reduced-order support vector machine (ROSVM) model based on the proper orthogonal decomposition to solve the time-consuming problem of the BOD₅ measurements. The performance of the newly developed methodology is tested on the Sefidrood River Basin, Iran. Subsequently, the predicted values of BOD₅, resulted from the selected developed ROSVM model, are compared with the results of support vector machine (SVM) model. According to the obtained results, selected ROSVM model seems to be more accurate, showing Person correlation coefficient (R) and root mean square error (RMSE) equal to 0.97 and 6.94, respectively. Further, the investigations based on developed discrepancy ratio (DDR) statistic for selection of the optimum model between the best accurate ROSVM and SVM models are carried out. Results of DDR statistic indicated superior performance of the selected ROSVM model comparing to the SVM technique for online prediction of BOD₅ in the Sefidrood River.     

基于模糊模式识别的支持向量机的回归预测方法

尝试把最近发展起来的支持向量机引入水文预测中,建立了支持向量机水文回归预测模型,为小样本情况下水文预测提供一种行之有效的可选择的方法。在此基础上,为了更好地处理水文系统中广泛存在的不确定、模糊信息,进一步把模糊模式识别理论引入支持向量机,提出一种模糊模式识别核函数。该核函数具有更明确合理的物理意义。冰凌预测实例表明了SVM水文回归预测方法及模糊模式识别核函数的有效性和可行性。     

应用SVM方法进行沉积微相识别

作者针对目前沉积微相中的特征提取问题,提出了应用ＳＶＭ（支持向量机）方法进行沉积微相识别的方案。该方法不是象传统方法那样首先试图将原输入空间降维（即特征选择变换）,而是设法将输入空间升维,以求在高维空间中问题变得线性可分（或接近线性可分）。因为升维后只是改变了内积运算,并没有使算法复杂性随着维数的增加而增加,因此这种方法才是可行的。所以。利用该方法更能胜任实际情况。实际处理表明该方法在小样本情况下     

Disaster prediction model based on support vector machine for regression and improved differential evolution

The kernel parameters setting of SVM influences prediction precision. The hybrid model based on SVM for regression and improved differential evolution is proposed to enhance the prediction precision. The improved differential evolution is used to optimize the kernel parameters. The improved differential evolution algorithm employs two trial vector generation strategies and two control parameter settings. The first-generation strategy is with best solution, and the second strategy is without best solution. Three categories of disasters time series including flood, drought and storm from Ministry of agriculture of China are used to verify the validity of the proposed model. Compared with the grid SVM and other models, the proposed hybrid model improves the prediction precision of SVM.