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。     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,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.     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级.支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题.选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等 8 个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行...     

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。     

基于最小二乘支持向量机的开都河径流预测

简述支持向量的回归分析,支持向量机自回归预测模型结构及预测方法,利用开都河大山口水文站52 a的径流资料,采用最小二乘支持向量机方法对径流进行模拟预测,并与BP神经网络方法进行对比分析,其计算结果相对略好。     

煤体瓦斯渗透率的PSO-LSSVM预测模型

结合有关煤体渗透率的众多研究成果,总结出影响煤体渗透率的3个主要因素为有效应力、温度和瓦斯压力。采用粒子群优化算法(PSO)对最小二乘支持向量机(LSSVM)的参数进行优化选择,并以上述3个因素和抗压强度为输入值,以渗透率为目标输出值,建立煤体瓦斯渗透率的PSO-LSSVM预测模型。利用25组数据进行PSO-LSSVM模型与BP神经网络及支持向量机的比较实验,PSO-LSSVM预测结果与实际值拟合程度优于其他两个模型,且具有更小的误差。实验结果表明,采用PSO-LSSVM模型可由有效应力、温度和瓦斯压力对渗透率进行较高精度的预测。      

地下工程围岩分类的神经网络可视化评价

围岩分类是地下工程技术基础研究的重要课题之一。影响围岩类别的因素有很多，并且具有高度的随机性和模糊性。神经网络方法具有自组织、自学习和高度非线性映射的能力，并且既能考虑定量因素又能考虑定性因素，因此，在围岩分类的应用方面，神经网络具有广泛的前景。文章基于改进的BP神经网络的一般原理，依据有关地下工程围岩的分类标准，选取岩体结构、岩石饱和单轴抗压强度、岩体结构面、岩石纵波速度作为围岩分类的评价指标，利用MATLAB语言构建了可视化的围岩分类神经网络模型，并收集了大量的工程资料对网络进行训练和检验。结果表明，网络的预测结果与实际结果比较一致。证明神经网络是能够在工程岩体分类方面得到推广应用的。     

基于MATLAB神经网络工具箱的岩爆预测模型

文章介绍了BP人工神经网络的基本原理，针对其收敛差的缺点，发挥MATLAB神经网络工具箱的优势，分别采用VLBP和LMBP算法建立了改进后的BP神经网络。对于影响岩爆发生的关键因素，总结了专家经验，选取地下硐室围岩最大切向应力与岩石单轴抗压强度比值、岩石单轴抗压强度和抗拉强度比值和岩石冲击性倾向指数作为岩爆预测的评判指标，建立了岩爆预测的神经网络模型，并利用国内外一些岩石地下工程实例进行分析计算校验，计算结果表明，用该模型进行岩爆预测是可行有效的。     

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。     

公路软基沉降预测的支持向量机模型

提出了基于支持向量机（SVM）模型对公路软基沉降进行预测的一种新方法,工程实例预测结果表明,在同样的训练均方误差下,SVM模型预测能力要优于BP神经网络模型,同时该模型能够综合利用分级加载过程中的沉降观测数据作为训练样本集,比仅依靠预压期内部分实测沉降数据的双曲线法更能反映地基土的变形趋势。因此,将建立的SVM模型应用于公路软基沉降预测能够更准确地反映实际沉降过程     

基于数字钻进技术和量子遗传-径向基函数神经网络的围岩类别超前识别技术研究

围岩类别超前分类是隧道施工过程中必须开展的一项工作,其直接关系到后续的开挖及施工支护方案。为有效地进行隧道围岩类别超前分类,提出了基于数字钻进技术和量子遗传（QGA）-径向基函数（RBF）神经网络的围岩类别超前分类方法。以数字钻进技术为基础,从钻进参数中提取有用信息,构建围岩类别超前分类指标体系。采用量子计算原理对遗传算法进行改进,通过量子位编码和量子旋转门更新种群,以此来确定RBF神经网络的参数,建立了基于QGA-RBF神经网络的围岩类别超前识别系统。最后将该方法应用于青岛胶州湾海底隧道的围岩类别超前识别中,结果表明,该方法具有较高的准确性,其结果为围岩类别超前分类提供了一种新思路。     

岩爆等级判定的距离判别分析方法及应用

将距离判别分析方法应用于岩爆等级判定问题。选用洞室围岩最大的切向应力σθ、岩石单轴抗压强度σc、抗拉强度σt、岩石弹性能量指数Wet作为岩爆等级判定的距离判别分析模型判别因子,以工程中实际岩爆情况及数据作为训练样本,进行分析计算,建立岩爆等级判定的距离判别分析模型。运用该分析模型对国内外工程实际岩爆情况进行判定,判别结果与工程实际完全相符。将该模型应用到诸（暨）永（嘉）高速公路括苍山隧道工程的岩爆情况预测中,判别结果与实际情况相符。研究表明,岩爆等级判定的距离判别分析方法,判别能力强,误判率低,是解决岩爆等级判定的一条有效途径。     

基于激光诱导击穿光谱技术的岩石表面指纹图谱分析及分类方法

岩石岩性识别在油气田探测开发、研究地球成因及演化发展、地质灾害分析预测等众多方面起着不可替代的导向作用,因此岩石的识别分类对于地质勘探分析来说至关重要。为了提高岩石的分类准确率,提出了一种基于激光诱导击穿光谱技术(LIBS)的岩石表面指纹图谱分析及分类方法。通过LIBS对岩石表面不同位置进行激发,获取原始光谱数据。对收集到的光谱数据进行去除异常点、归一化等预处理操作,根据岩石矿物成分确定五种含量差异较大元素(硅、铝、钾、钠、镁)的特征谱线并得到元素指纹图谱。然后选择支持向量机(SVM)作为分类器进行分类,分别建立利用光谱均值的分类模型和多维指纹图谱融合的分类模型,并对两种分类结果进行比较。利用光谱均值的分类模型准确率为59. 4%,多维指纹图谱融合的模型分类准确率为96. 5%。实验结果表明,元素指纹图谱展示了岩石表面元素分布,可以充分利用不同种类岩石本身的不均匀性结构信息,极大地提高了岩石的分类准确率。     

边坡稳定性的CPSO-BP模型研究

为了分析边坡的稳定性,利用协调粒子群算法和BP网络建立了边坡稳定性CPSO-BP预测模型。BP网络能够很好地描述边坡稳定性与其影响因素之间复杂的非线性关系,将内摩擦角、边坡角、岩石重度、边坡高度、黏聚力、孔隙压力比6个主要影响因素作为网络的输入,将边坡稳定性系数作为网络的输出。为避免BP网络陷入局部最优,利用协调粒子群算法的全局优化能力确定BP网络的连接权值和阀值,使BP网络的优势得到分发挥,达到提高模型预测精度目的。实例表明CPSO-BP模型有更好地预测精度以及将其应用于边坡稳定性预测是可行的。     

Application of Relevance Vector Machine for Prediction of Ultimate Capacity of Driven Piles in Cohesionless Soils

This paper examines the potential of relevance vector machine (RVM) in prediction of ultimate capacity of driven piles in cohesionless soils. RVM is a Bayesian framework for regression and classification with analogous sparsity properties to the support vector machine (SVM). In this study, RVM has been used as a regression tool. It can be seen as a probabilistic version of SVM. In this study, RVM model outperforms the artificial neural network (ANN) model based on root-mean-square-error (RMSE) and mean-absolute-error (MAE) performance criteria. It also estimates the prediction variance. An equation has been developed for the prediction of ultimate capacity of driven piles in cohesionless soils based on the RVM model. The results show that the RVM model has the potential to be a practical tool for the prediction of ultimate capacity of driven piles in cohesionless soils.     

基于数据再生与空间重构的岩土体变形行为预测

针对岩土体变形行为预测中观测数据的有限性以及信息的不完备性,提出以分段插值或Boostrap重采样对有限观测数据再生以增强数据细节信息,以坐标变换或状态空间重构改变时序数据的表示形式,并重写原有不显著的规律的研究方法。在深入分析方法中重采样、混沌辨识、相空间重构的嵌入维数和延迟时间等关键技术的基础上,分别采用支持向量机、径向基函数前向型神经网络（RBF）以及反馈型神经网络（Elman）,对3组不同特征工程算例的岩土体变形时序在数据再生和空间重构前后进行预测对比研究。结果表明,变形时序的数据再生与重构能够极大地扩充数据细部特征信息和凸显岩土体变形演化的本质规律,以此数据建立的SVM预测模型,其可靠性和准确性优于以原始数据SVM、RBF和Elman建模预测效果。     

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。