似大地水准面的支持向量机模型研究

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种新的具有较好泛化性能的回归方法.本文简要介绍了SVM原理,针对大面积复杂似大地水准面的确定问题,仅依据测区的GPS水准实测数据,利用SVM方法整体建模.通过工程实例并与神经网络模型进行对比,证实了SVM似大地水准面模型的可靠性.     

确定大地水准面的Tikhonov最小二乘配置法

提出Tikhonov—LSC法,即在LSC法中引入Tikhonov正则化算法。基于GCV法选择协方差矩阵的正则化参数,利用正则化参数修正协方差矩阵的小奇异值,以抑制其对观测误差的放大影响。通过以EGM2008重力场模型分别计算山区、丘陵和海域重力异常作为基础数据确定相应区域大地水准面的试验,验证该方法的有效性。     

几种确定似大地水准面方法比较

利用GPS点水准联测数据,通过曲面拟合的方法得到高程异常值;重点探讨了在同一组数据下分别采用二次曲面、多面函数、神经网络和样条函数等拟合方法;通过实例验证这些方法的可行性,同时对各种方法的精度进行了比较。     

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。     

最小二乘配置方法确定局部大地水准面的研究

从最小二乘配置方法的原理出发,描述了最小二乘配置法中经验协方差函数的确定方法。在此基础上,以我国西部高山地区为例,利用实测点重力数据、30"×30"数值地面模型和EGM96地球重力场模型,确定了该地区2.5'×2.5'大地水准面。     

利用自适应最小二乘配置的GPS水准与重力似大地水准面的拟合

针对GPS水准与重力似大地水准面之差中存在系统误差的问题,使用最小二乘配置估计信号大小,来提高似大地水准面的拟合精度。对于最小二乘配置的噪声与信号的协方差之间的关系不合理,采用自适应因子纠正两者之间的关系,并首次将自适应最小二乘配置算法应用于似大地水准面精化。最后使用我国东部面积将近2万km²的城市A的数据进行验证,计算结果表明,最小二乘配置及自适应最小二乘配置在一定程度上能够提高拟合效果,使似大地水准面更接近于真实值,实现了国内较大城市面积的1.0cm检核精度的区域似大地水准面成果。     

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。     

海洋重力似大地水准面与区域测高似大地水准面的拟合问题

研究了将陆地重力似大地水准面与GPS水准似大地水准面拟合的处理方法推广到海洋的问题,首先从理论上证明了当存在海面地形,则海洋大地水准面与似大地水准面不重合,导出了在海洋上大地水准面差距与高程异常之间差值的公式,由此给出了求定平均海面相对于区域高程基准的正常高以及测高似大地水准面的计算公式。由于测高平均海面与GPS大地高有相近的精度,提出了将海洋重力似大地水准面与区域测高似大地水准面拟合的处理方法,并利用当前最新的海面地形模型和测高平均海面模型做了数值估计。     

似大地水准面格网双二次多项式插值方法

分析似大地水准面格网插值目前常用的方法,指出基于距离的加权内插方法是存在问题的,它会使曲面畸形、错开、不光滑、不连续,而双线性内插方法会使曲面存在明显的"尖点"和"折痕",这不符合似大地水准面的连续光滑性质,双二次多项式插值方法在拐点插值的情况下,也会出现曲面错开的现象.针对这些问题,建议采用改正的双二次多项式插值方法.它针对拐点插值进行了修正,有利于改善曲面的连续性和光滑性,提高似大地水准面格网插值的精度.     

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。     

一种裸露土壤湿度反演方法

针对目前土壤湿度反演方法研究较少且缺少实时性的现状,该文提出一种土壤湿度反演方法——最小二乘支持向量机技术。以积分方程模型为正向算法,数值模拟不同雷达参数(频率、入射角及极化)下后向散射系数随土壤含水量和地表粗糙度的变化情况。经过数据敏感性分析,选取C-波段和X-波段、小入射角下的同极化后向散射系数作为支持向量回归的训练样本信息;经过适当的训练,利用支持向量回归技术对土壤含水量进行了反演研究;并考虑通过多频率、多极化、多入射角数据的组合,消除地表粗糙度的影响,提高反演精度。模拟结果表明,该方法反演土壤湿度具有较高的精度和较好的实时性;同时,与人工神经网络方法的结果比较,证明了该方法的有效性,为土壤湿度的反演研究提供了一种方法。     

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。     

Image Denoising Using Local Adaptive Least Squares Support Vector Regression

Rather than attempting to separate signal from noise in the spatial domain, it is often advanta- geous to work in a transform domain. Building on previous work, a novel denoising method based on local adaptive least squares support vector regression is proposed. Investigation on real images contaminated by Gaussian noise has demonstrated that the proposed method can achieve an acceptable trade off between the noise removal and smoothing of the edges and details.     

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。     

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。     

遗传算法优化支持向量机矿产预测方法

针对矿产预测中已知矿点的样本数目较少的问题,该文提出了一种基于遗传算法优化的支持向量机矿产预测方法。采用遗传算法优化支持向量机的惩罚因子和径向基核函数参数,避免了参数选择不当对支持向量机预测结果的影响,从而提高矿产预测的精度。以空间建模工具ArcSDM中的卡林型金矿床数据为例进行实验。结果表明,支持向量机模型的预测准确率为89.3%,查准率为70.2%;而证据权方法的预测准确率为79.4%,查准率为50%,均小于支持向量机预测结果,说明遗传算法优化的支持向量机是一种有效的矿产预测方法。     

A land-cover change detection method using data-oriented composite-kernel-based one-class support vector machine

In many change detection applications, the focus is often on one specific change class. The one-class support vector machine (OCSVM)-based change detection method has been proved effective for dealing with such problems, which only requires samples from the change class of interest as the training data. However, this classical method only uses a single kernel which limits its separating capabilities in real-world applications. To further improve the efficacy of the OCSVM-based change detection method, this paper proposes an improved change detection method that uses a data-oriented composite-kernel-based one-class support vector machine. It utilizes the feature information entropy of the training data to determine the kernel weights in constructing a composite kernel. Experimental results on two data-sets demonstrate that the proposed method outperforms the existing classical OCSVM-based change detection method and the traditional composite-kernel-based method with relatively few false alarm errors, and shows good potential for further applications.     

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。     

大坝变形预测的支持向量机模型

针对大坝变形具有强非线性的特点以及在采用传统神经网络模型进行预测时存在局部极小、过学习等问题,提出一种新的大坝变形预测方法——支持向量机方法。该方法基于统计学习理论,采用结构风险最小化原则,保证了模型具有很强的泛化性能,并通过求解一个二次规划问题确保模型具有全局最优。以东江大坝变形预测为实例,说明了该方法的可行性和有效性。     

GIS-based groundwater potential mapping using artificial neural network and support vector machine models: the case of Boryeong city in Korea

Groundwater productivity-potential (GPP) was analysed using the data mining models of an artificial neural network (ANN) and a support vector machine (SVM) in Boryeong city, Korea. The groundwater-productivity data with specific capacity (SPC) is strongly related to hydrogeological factors, and hence the relation may allow for groundwater potential mapping from hydrogeological factors through the ANN and SVM models. A back-propagation algorithm was used for the ANN model while a polynomial kernel was adopted for the SVM model. For the validation of the GPP maps generated from the ANN and SVM models, the area-under-the-curve analysis was performed using the SPC values of well data. The accuracies achieved from the ANN and SVM models are about 83.57 and 80.83%, respectively. It proves that the ANN and SVM models will be highly conducive to developing useful groundwater resources.