利用水深不确定度探测测深异常值的方法

利用最小二乘支持向量机(LS-SVM)合理地构造出海底趋势面关键在于训练样本的选取。在构造海底趋势面的过程中,提出并实现了一种基于不确定度优化训练样本的方法。为了检验该方法的有效性,选取实测的多波束测深数据进行验证,并与趋势面滤波法进行比较。结果表明,该方法能有效地抑制较大偏差训练样本的影响,构造的海底趋势面更为合理,测深异常值的剔除也更为有效。     

利用水深不确定度探测测深异常值的方法

利用最小二乘支持向量机(LS-SVM)合理地构造出海底趋势面关键在于训练样本的选取.在构造海底趋势面的过程中,提出并实现了一种基于不确定度优化训练样本的方法.为了检验该方法的有效性,选取实测的多波束测深数据进行验证,并与趋势面滤波法进行比较.结果表明,该方法能有效地抑制较大偏差训练样本的影响,构造的海底趋势面更为合理,...     

LS-SVM算法中优化训练样本对测深异常值剔除的影响

在验证趋势面滤波是最小二乘支持向量机算法(LS-SVM)取特定参数解的基础上,利用LS-SVM所构造的海底趋势面对测深异常值进行剔除.为了克服LS-SVM解非稀疏性的缺点,同时抑制偏差较大的训练样本对海底趋势面构造的影响,提出一种基于局部样本中心距离的训练样本优化方法.为了检验该算法的有效性,选取实测的多波束测深数据进...     

粒子群最小二乘支持向量机在GPS高程拟合中的应用

针对传统的GPS高程拟合方法要求有足够多样本数据的缺陷,本文采用粒子群(PSO)算法优化最小二乘支持向量机(LSSVM)参数的方法进行GPS高程拟合。实验表明,在有限样本的情况下,PSO-LSS-VM模型不仅发挥了LSSVM处理小样本数据的能力,而且通过PSO优化后的LSSVM能够选择出合适的参数;与LM-BP神经网络、标准最小二乘支持向量机等方法比较,PSO-LSSVM模型拟合精度较高。     

最小二乘支持向量机在沉降量预测中的应用

高层建筑物的地基沉降量是高层建筑物安全的一个重要指标,根据已有的观测数据对未来的沉降量进行观测可以有效预防灾害的发生。由于沉降量是一个复杂的非线性过程,采用非线性预测方法是一种可行有效的方法。本文将最小二乘支持向量机应用于高层建筑物地基沉降量的预测,对参数分别用交叉验证和遗传算法进行了优化。经过实例验证,最小二乘支持向量机应用于沉降量的预测是可行的,并且遗传算法优化的最小二乘支持向量机的预测沉降量精度更优。     

灰色最小二乘支持向量机在滑坡变形预测中的应用

结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的.     

动态最小二乘支持向量机学习算法

针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法。该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率。大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点。     

航空影像分割的最小二乘支持向量机方法

将最小支持向量机LS-SVM用于航空影像的分割,讨论了不同核函数对分割结果的影响和稀疏化处理对决策函数的影响。试验表明了LS-SVM方法用于航空影像分割的可行性。     

最小二乘支持向量机优化模型在煤矿安全预测中的应用

针对传统信息融合技术在煤矿井下环境等级评价中的局限性,文章提出了一种智能算法:通过粒子群优化算法对最小二乘支持向量机进行参数寻优,建立多传感器信息融合模型PSO-LSSVM,克服参数选择的主观性、盲目性,从而提高算法的分类精度和收敛速度。实验结果表明,相比未经参数优化的最小二乘支持向量机模型、网格算法优化最小二乘支持向量机模型,PSO-LSSVM模型能很好地解决煤矿井下环境等级评价中小样本的高维、非线性、不确定性等方面的问题。     

经验模态分解和最小二乘支持向量机在大坝变形预测中的应用

由于受到温度、雨水冲刷等外在因素的影响,大坝变形时间序列数据会呈现出非线性和非平稳的曲线特性。为此,提出一种经验模态分解(EMD)和最小二乘支持向量机(LSSVM)相结合的大坝变形预测模型。首先,使用EMD对大坝变形时间序列数据分解成若干个不同尺度的本征模式分量(IMF);然后,利用LSSVM模型对各个IMF进行预测;最后,对预测的结果相加得到大坝变形预测值。以吉林市丰满大坝为算例,构建EMD-LSSVM预测模型,并与LSSVM模型对比分析,结果表明,EMD-LSSVM模型预测效果更好,精度更高,具有更好的实用型。     

一种组合最小二乘支持向量机的研究及其应用

将统计学习理论和LS-SVM用于变形分析预报,采用小生境遗传算法与交叉验证法相结合进行LS-SVM参数的选取,并用参数优选后的LS-SVM与混沌理论相结合对变形监测数据进行建模预测,并与BP和RBF两种神经网络的预测结果进行了比较分析。实例表明,基于组合LS-SVM的变形数据预报模型具有良好的效果。     

基于最小二乘支持向量机回归的GPS高程转换模型

探讨了将最小二乘估计引入到支持向量机中,给出最小二乘支持向量机回归(LS-SVR)算法,该算法用等式约束代替传统支持向量机回归中的不等式约束,使得求解过程更为简单。将构建的LS-SVR模型应用到GPS高程转换中,提出该回归模型的实现步骤。实例表明,在有限样本情况下,LS-SVR完全可以达到与传统GPS高程拟合方法相同的精度,但实现起来更简单,而且在泛化性能方面具有理论上的保证。     

基于最小二乘支持向量机回归综合预测建筑物沉降

针对在工程实践中,应用单一方法预测建筑物沉降存在着局限性,提出了基于最小二乘支持向量机回归综合单一方法预测沉降量。该方法能综合单一方法的特点,增强了模型的普适性,从而提高了预测精度和预报期次。文中讨论了如何实现和运用该方法,最后通过实例验证了其有效性。     

区域似大地水准面确定的最小二乘支持向量机方法

支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决小样本、非线性、高维数、局部极小点等实际问题.文中研究支持向量机的拓展算法--最小二乘支持向量机(LSSVM),并将其应用于确定大面积复杂似大地水准面.通过工程实例并与神经网络模型和二次曲面多项式拟合模型相比较,验证确定区域似大地水准面的LSSVM方法的有效性.     

灰色最小支持向量机模型在高程拟合中的应用

针对传统单一灰色最小二乘支持向量机(GLSSVM)高程拟合方法的不足以及LSSVM模型参数选择的随机性,该文提出了一种基于PSO-GA算法优化的灰色最小二乘支持向量机高程拟合模型。模型将灰色模型与最小二乘支持向量机模型相结合,建立GLSSVM模型,并结合粒子群算法与遗传优化算法寻找GLSSVM模型的最优参数组合。为进一步验证提出模型的可靠性与有效性,通过具体工程实例,并将拟合结果分别与粒子群算法优化的最小二乘支持向量机模型(PSO-GLSSVM),遗传算法优化的最小二乘支持向量机模型(GA-GLSSVM)及单一GLSSVM模型进行对比分析,结果表明,PSO-GA-GLSSVM模型拟合精度更好,可靠性更高,为高程拟合研究提供了一种思路。     

基于小波变换和最小二乘支持向量机的卫星钟差预报

提出了一种基于小波变换和最小二乘支持向量机的卫星钟差预报方法 首先通过小波变换把钟差时间序列分解成具有不同频率特征的分量然后根据各分量的特点构建不同的最小二乘支持向量机模型进行预报最后将各分量的预报结果进行叠加得到最终的钟差预报值 实验结果表明该方法的预报效果优于单一的最小二乘支持向量机模型以及常规的二次多项式模型和灰色系统模型     

最小二乘支持向量机回归的卫星钟差非线性组合预报

针对应用单一方法预报卫星钟差的局限性,文章提出了基于最小二乘支持向量机回归的卫星钟差非线性组合预报方法:首先根据历史钟差数据建立二次多项式模型和灰色模型,然后利用这些模型进行钟差预报,最后采用最小二乘支持向量机回归算法对两种模型的预报结果进行非线性组合,以获得最终预报值;对比了RBF核函数、线性核函数和多项式核函数对组合预报性能的影响,并将本文组合预报方法与经典权组合方法进行比较。结果表明,本文方法优于经典权法,且线性核函数更适合组合预报。     

数据预处理对最小二乘支持向量机预报钟差的影响

分析在基于最小二乘支持向量机的卫星钟差预报中样本数据预处理的必要性,列举了归一化、标准化和相邻历元一次差3种数据预处理方法。然后结合实例,对比分析不同数据预处理方法对基于最小二乘支持向量机的钟差预报精度的影响,得出不同方法对钟差预报精度的影响不同,其中,基于一次差方法的预报精度最高。最后,将基于一次差方法的最小二乘支持向量机预报模型与常用的二次多项式模型和灰色系统模型进行比较,结果表明,最小二乘支持向量机模型的预报效果明显优于两种常规模型。     

小波去噪的灰色最小二乘支持向量机变形预测

针对变形监测数据的随机性和非平稳性,以及单一预测模型的不足,该文提出了基于小波去噪的灰色最小二乘支持向量机变形预测模型。采用小波去噪对原始数据进行降噪处理,减弱数据随机扰动的影响,建立灰色最小二乘支持向量机模型,并采用粒子群算法寻找最优参数。通过大坝位移监测数据实例对模型进行验证,并与灰色模型、最小二乘支持向量机以及灰色最小二乘支持向量机进行对比分析。实验结果证明,该模型预测精度更高、稳定性更强。     

最小二乘配置的SVD分解解法

最小二乘配置最初是在组合各种资料来研究地球形状与重力场的一种数学方法,目前最小二乘配置已经在测绘数据处理中得到广泛应用。本文首先分析了目前采用的最小二乘配置法解算方法,在讨论了矩阵的奇异值分解(Singular Value Decomposition,SVD)方法的基础上,推导得出了矩阵SVD分解与广义逆矩阵的关系,得出了可以直接利用SVD分解求解矩阵的Moore-Penrose广义逆,并推导了应用SVD分解求解最小二乘配置的估值计算公式和精度估算公式,最后通过重力异常实例进行了计算,得出矩阵的SVD分解用于最小二乘配置解算的正确性和可行性,为最小二乘配置的求解提供了一种新方法。