基于小波分解和最小二乘支持向量机的大坝变形预测

文章针对大坝变形受多种不确定性因素的影响,提出一种基于小波分解和最小二乘支持向量机的大坝变形预测方法。利用小波将大坝位移序列分解成不同频率特征的子序列,根据分解得到的子序列特点,同时考虑水位和温度的影响,构造不同的最小二乘支持向量机模型对子序列进行预测,最后对各子序列预测值进行重构得到最终的预测值。实验对比分析表明,该方法对大坝变形的预测具有较高的精度。     

基于灰色最小二乘支持向量机的大坝变形预测

提出一种基于灰色最小二乘支持向量机的大坝变形预测新算法。通过对原始大坝序列进行一次累加,弱化序列中随机扰动的影响,增强数据的规律性,进而建立最小二乘支持向量机预测模型,并采用网格搜索法选取最优参数。算法充分利用了最小二乘支持向量机泛化能力强、非线性拟合性好等优良特性,避免了灰色方法及模型存在的理论缺陷。与灰色GM(1,1)和单一最小二乘支持向量机对比表明,新算法能保证较优的局部预测值和较好的全局预测精度,应用于短期大坝变形预测是可行的。     

基于多尺度最小二乘支持向量机优化的克里金插值方法

克里金插值方法根据待估位置点、已知样本数据点的位置关系和区域化变量的空间相关性,实现空间加权估计,满足估计的无偏性和最优性。传统方法理论模型形状固定且选择具有人为主观性,无法反映空间数据的变化趋势及其空间多尺度特征。本文为解决上述问题,提出了一种基于多尺度最小二乘支持向量机优化的克里金插值方法,此方法为拟合实验变异函数提供了一种新的思路。从实际样本数据的变化趋势出发,采用最小二乘支持向量机拟合实验变异函数,并利用不同尺度小波核反映不同尺度下的空间变化。最后,实验环节包括模拟和应用,模拟主要验证经多尺度最小二乘支持向量机优化后插值方法的科学有效性以及准确性,应用主要研究青岛市PM_2.5浓度时空分布特征,为城市生态科学防护及控制提供理论依据。结果表明,基于多尺度最小二乘支持向量机优化的克里金插值方法能够更好地刻画变异函数,反映不同尺度下的空间变化细节,从而在一定程度上提高插值的精度,是一种可选的克里金插值方法。     

基于最小二乘支持向量机的组合模型在区域似大地水准面拟合中的应用

针对最小二乘支持向量机（least squares support vector machine,LSSVM）在区域似大地水准面拟合过程中存在较大模型误差的问题,构建LSSVM-Shepard GPS高程异常转换组合模型。采用LSSVM拟合高程异常中的中长波项,利用Shepard插值模型来泛化去除中长波项的残余项。结合平原地区和高原山区工程实例,分别采用二次曲面模型、LSSVM、Shepard插值模型、二次曲面-Shepard模型、LSSVM-Shepard模型进行高程转换及精度对比。结果表明,新组合模型高程转换精度高于各单一模型,且在平原地区转换效果与二次曲面-Shepard模型基本一致,在高原山区拟合效果优于二次曲面-Shepard模型。     

基于支持向量机的新闻事件类型识别

新闻事件类型识别的核心是文本分类问题,可利用模式识别或者机器学习来解决。互联网中的新闻事件种类多样,各类事件都有不同的结构特征,在自然语言中的表达方式也多种多样,基于模式识别的事件抽取难以覆盖全部的事件表达模式,识别召回率不高。本文使用机器学习方法来进行新闻事件的抽取,设计了词法、句法和语义三类不同类型的特征,并基于支持向量机实现新闻事件的类型识别。支持向量机模型适合解决自然语言这类高维数据的分类问题,能够有效捕捉不同特征之间的分类差异,具有较好的准确率和召回率。     

基于支持向量机的内蒙古地区台网天然地震与人工爆破的自动识别与分析

基于内蒙古地区及其周边(96°～126°E, 36°～54°N)2016～2021年天然地震和爆破事件,首先采用db7、sym6、rbio1.5小波基函数分别对事件波形进行离散、静态、小波包4层小波分解,然后提取能量比、香农熵、能量熵3种特征参数,最后按照不同的小波分解方式、核函数、支持向量机和特征值随机组合的方式进行288组实验。结果表明,“DWT+υ-SVC+db7+线性核+能量比+香农熵+能量熵”的识别率最高为95%,说明该方法更适合内蒙古地区,可为测震台网识别天然地震和爆破事件提供较为可靠的参考依据。     

支持向量机与Newmark模型结合的地震滑坡易发性评估研究

Newmark位移模型是研究地震滑坡易发性的经典模型,机器学习方法支持向量机模型也越来越多的应用到滑坡易发性评估研究。本文将Newmark位移模型与支持向量机模型相结合,建立基于物理机理的地震滑坡易发性评估模型并应用于2008年汶川地震重灾区汶川县。从震后遥感影像目视解译出汶川县1900处地震诱发滑坡,并将其随机划分为70%的训练数据集和30%的验证数据集。选择地形起伏度、坡度、地形曲率、与构造断裂带距离、与水系距离、与道路距离6个因子与Newmark位移值共同作为地震滑坡易发性影响因素。利用ROC曲线和模型不确定性等指标对模型结果进行评估,并与二元统计模型频率比和多元统计模型Logistic回归的结果进行对比。结果表明：与频率比和Logistic回归模型相比,支持向量机模型的正确率最高,训练集和验证集ROC曲线下的面积分别为0.876和0.851。将模型应用于绘制汶川县地震滑坡易发性图,结果显示滑坡易发性图与实际的滑坡点位分布一致性较高,有80.4%的滑坡位于极高和高易发区。这说明支持向量机与Newmark位移方法结合建立的地震滑坡易发性评估模型有较高的预测价值,可以为滑坡风险评估和管理提供依据。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果要好。     

支持向量分类机LIBSVM方法识别天然地震、爆破与塌陷

对天然地震、爆破及塌陷的波形数据进行小波变换,并用小波转换系数提取香农熵特征,采用支持向量分类机LIBSVM多类模式识别方法对香农熵特征进行分类识别,识别率在80%~95%之间。结果表明,采用LIBSVM对波形特征进行分类的方法可以较好地识别天然地震、爆破与塌陷。     

小样本地震信号识别研究

研究支持向量机方法在小样本地震信号识别方面的可行性,结果表明,随着样本量增加,该方法的识别率出现先升高再降低的现象。使用山东和江苏地区2006~2017年的地震数据进行实验,仅需每类30个训练样本即可达到85%左右的识别率。该方法识别率的提高不依赖于大量样本的加入,不仅适合于地震数据样本量少的地区开展地震信号识别研究,而且为精简样本库、降低运行成本提供了新思路。     

使用支持向量机识别地震类型的影响因素分析

对山东地区2006~2017年3种地震事件--天然地震、爆破及塌陷的波形记录进行小波变换,对提取出的香农熵特征采用支持向量机LIBSVM方法进行分类识别,并设计一系列实验研究影响最终分类效果的因素。结果表明,5种影响因素--信号窗长度、小波分解方式、小波基类型、向量机算法类型、向量机核函数类型均对地震类型的分类识别结果产生一定的影响;识别率最高的3组处理方式均采用了2 000 s信号窗长度+db7小波基+υ-SVC算法的组合方式。所得的识别率较高的几种影响因素组合,在未来可应用于地震类型的实时识别,进一步提高地震类型的识别率和触发准确率。     

基于确定性系数和支持向量机的地质灾害易发性评价

确定性系数（Certainty Factor,CF）是经典的地质灾害影响因子敏感性分析方法;支持向量机（Support Vector Machine, SVM）作为机器学习的代表方法,能够综合各个影响因子的关系,对地质灾害易发性进行评价。本文以云南省怒江州泸水县为研究区,将高程、坡度、坡向、剖面曲率、距断裂的距离、距河网的距离、距路网的距离、地貌类型、岩土体类型、土地利用类型作为该区域地质灾害影响因子,依据各影响因子灾害面积比和分级面积比曲线对影响因子的状态进行分级。根据381个地质灾害隐患点,采用CF方法计算的各个影响因子的敏感性值,作为SVM的分类数据,建立基于CF-SVM的易发性评估模型,同时与单独SVM模型的评价结果进行对比分析。结果表明,CF-SVM模型得到的极高和高易发区主要分布在怒江两岸河谷地带,涵盖了89.76%的地质灾害隐患点,比单独SVM模型具有更高的成功率;利用ROC曲线和P-R曲线对两个模型进行检验,CF-SVM模型的评价精度分别达到92%和88%,均高于单独的SVM。由此说明,CF-SVM模型对地质灾害易发性评价有较高的预测价值,可以为地质灾害风险评估和管理提供依据。     

多类支持向量机在语音识别中的应用

针对语音模式识别,引入多类（M-ary）支持向量机来进行分类。并详细的介绍了M-ary支持向量机的概念以及语音识别系统中的实现方式。通过仿真实验,与BP神经网络、SVM进行比较,验证了M-ary支持向量机具有识别率高,抗噪能力强等优越性。