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。     

基于PSO-DSRVM的边坡变形预测

为了建立高精度的边坡位移预测模型,文章采用基于粒子群优化(PSO)的双稀疏相关向量机(DSRVM)建立边坡稳定性和影响因素之间的非线性关系。双稀疏相关向量机是在变分和相关向量机(RVM)框架下提出的一种多核组合优化的方法,相比于RVM和其他多核学习方法,DSRVM不仅有更少的训练时间,并且能够得到更高的预测精度。由于DSRVM的核参数对预测效果的影响较大,文章采用粒子群算法实现多个核参数的优化选取并应用于边坡位移预测。最后将本文提出的基于粒子群优化的双稀疏相关向量机(PSO-DSRVM)预测结果与极限学习机(ELM)和小波神经网络(WNN)预测结果进行对比,通过均方根误差(RMSE)、复相关系数(R²)和平均相对预测误差(ARPE)进行评价,验证了PSO-DSRVM模型在边坡变形预测上的可行性。     

基于PSO和LSSVM的边坡稳定性评价方法

提出了基于粒子群算法（PSO）和最小二乘支持向量机（LSSVM）的边坡稳定性评价方法。该模型既利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,同时也利用了粒子群算法快速全局优化的特点。粒子群算法用于搜索最小二乘支持向量机模型的最优参数,然后将模型用于预测边坡的安全系数。计算结果表明,该方法是合理的、有效的。     

参数优化LSSVM的巷道围岩松动圈预测研究

最小二乘支持向量机方法(LSSVM)在处理小样本、高维数、非线性的问题时,具有求解速度快、易于描述非线性关系的优良特性。但是,该方法得到的模型拟合精度和泛化能力依赖于其相关参数,因此,提出基于粒子群优化算法(PSO)的LSSVM参数优选方法。最后,用该模型对巷道围岩松动圈进行了预测研究。结果表明,PSO优化的LSSVM模型具有收敛速度快、计算精度高的特点,说明该模型是合理、有效的。     

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。     

基于小波变换和GALSSVM的边坡位移预测

边坡变形是一个受多种因素综合作用的复杂非线性动力学演化过程,用现有的物理模型来解决边坡变形的预测问题有很大难度。大量的研究工作表明,用实测的边坡位移时间序列来预测边坡未来变形更为准确,而将多种方法组合起来进行预测成为研究的主要趋势。在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。首先利用小波变换将边坡时间序列分解为低频分量和高频分量,然后利用互信息法和伪近邻法得到各分量的时间延迟和嵌入维数并进行相空间重构,再根据各个相空间的特点建立相应的GALSSVM预测模型,最后把各分量的预测结果进行小波重构,重构后的结果即为最终的边坡位移预测结果。对丹巴滑坡预测研究表明,这种新的预测模型具有较高的预测精度,可以应用于实际工程     

基于RS与LS-SVR的储层参数预测

该文提出结合粗糙集（RS）和最小二乘支持向量回归（LS-SVR）的方法。该方法利用RS对原始数据进行约简，更好地减少了支持向量的维数；同时采用LS-SVR解决了常规SVM计算速度幔、抗噪能力差的缺点。实例证明该方法应用在复杂地层储层参数预测中具有优越性。     

基于灰色最小二乘支持向量机的边坡位移预测

利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分利用了最小二乘支持向量机求解速度快、易于描述非线性关系的优良特性,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。     

基于PSO-SVM非线性时序模型的隧洞围岩变形预报

现场量测获得的围岩变形信息,从宏观上反映了地下洞室围岩-支护系统力学性态变化。为克服人工神经元网络方法过学习问题,提出了一种新的预测地下洞室围岩变形的粒子群支持向量机方法,用粒子群算法优化最小二乘支持向量机的参数,避免了人为选择参数的盲目性,提高了预测模型的训练速度和预测推广能力。利用这种非线性智能预测方法,基于监测数据滚动预测围岩变形,可以及时优化和调整施工步序,保证洞室的稳定性。将该方法用于清江水布垭电站地下厂房的围岩收敛变形预测,获得了令人满意的预测效果。     

基于PSO-SVM的凤县公路边坡地质灾害空间预测

边坡地质灾害是造成凤县公路长时间中断的主要原因之一,开展灾害空间预测对提高公路抗灾能力和区域防减灾能力具有重要意义。在分析凤县公路边坡地质灾害概况和选取预测因子的基础上开展灾害隐患点调查,采用粒子群改进支持向量机模型(PSO-SVM)和地理信息系统进行灾害空间预测并逐网格计算灾害易发性指数,应用成功率法检验预测结果,基于灾害易发性指数将凤县分为高易发、中易发、低易发和基本安全4级易发区。结果表明:凤县公路边坡地质灾害的易发性指数最小为0. 08、最大为0. 96,粒子群改进支持向量机的曲线下面积为0. 907,易发性从西向东逐渐降低;基本安全、低易发、中易发和高易发区分别占凤县总面积的48. 34%、23. 92%、18. 46%和9. 28%,灾害调查确定的423处灾害隐患点中有23处、41处、96处和263处位于以上区域,分别占总数的5. 31%、9. 45%、22. 16%和63. 08%,G316和S201、S205均有部分路段穿越高易发区。 更多还原杆应变的响应规律。得出:加固边坡土体对输入的地震波有垂直放大作用,水平方向放大作用不明显;在地震频率和幅值共同影响下,边坡加速度响应具有明显的差异。同一锚杆沿长度方向应变分布呈"前小后大"的模式;同列不同层锚杆在垂直方向应变响应差别较大,顶层、底层锚杆应变较边坡中部的锚杆应变响应明显。利用ABAQUS数值软件模拟振动台试验过程,得出锚固边坡动力响应特征与振动台试验结果一致。     

PSO-LSSVM模型在位移反分析中的应用

提出了一种基于均匀设计原理、最小二乘支持向量机(LSSVM)和粒子群优化算法(PSO)的快速位移反分析方法。该方法利用均匀设计和有限差分法获得学习样本,再用粒子群算法搜索最优的最小二乘支持向量机模型参数。并用最小二乘支持向量机回归模型建立反演参数与监测点位移值之间的非线性映射关系,最后用粒子群算法从全局空间上搜索与实测位移最吻合的反演参数。该反演模型利用了粒子群算法高效简单、均匀设计构造高质量小样本以及最小二乘支持向量机的小样本、泛化性能好的特点。将该模型应用于龙滩水电站左岸地下厂房区岩体地应力场的反演分析中,计算结果与实测的位移值和地应力值均吻合较好,说明了该模型在岩土工程快速反演分析中具有良好的应用价值。     

基于支持向量机-马尔可夫链的位移时序预测

结合支持向量机和马尔可夫链,提出了一种新的位移时序预测模型--支持向量机－马尔可夫链预测模型（SVM-MC）。通过对实测位移值的学习,利用经粒子群算法优化的支持向量机对位移时间序列的宏观发展趋势进行滚动预测;在此基础上应用马尔可夫链确定位移时序的状态转移概率矩阵,通过对状态的划分、实测值与支持向量机拟合值的绝对误差及相对误差等指标的分析,实现了对预测结果的改进。将该模型应用到某工程永久船闸高边坡的位移时序预测中,结果表明,该模型具有科学可靠、预测精度高的优点,在岩土体位移时序预测中具有有一定工程应用价值。     

基于最小二乘支持向量机的黄土湿陷性预测挖掘

运用数据挖掘技术进行了黄土湿陷性的预测挖掘,挖掘模型采用最小二乘支持向量机。建模过程中用主成份分析法进行数据的预处理,以剔除指标间的相关性,消除多指标信息冗余对挖掘模型的影响,并引入粒子群优化算法进行模型反演分析,确定最优参数。针对实际工程数据进行的预测挖掘表明：黄土的电阻率、剪切波速与土的结构特性、含水率、密度等指标密切相关,可较为全面地反映影响黄土湿陷性的因素;以电阻率、剪切波速及土层埋深作为模型的预测变量就可定量预测黄土的湿陷性;用所建模型和预测变量来预测黄土的湿陷性是可行的。     

基于天气预报的参考作物腾发量LS-SVM预测模型

利用最小二乘支持向量机(LS-SVM)方法,建立了基于天气预报的参考作物腾发量(ET₀)的预测模型.对广利灌区1997~2006年逐日气象信息中的天气类型和风速等级进行量化后,以不同天气预报信息作为输入量,建立10种验证方案,对2007年的逐日ET₀进行预测.经验证,方案1~方案7精度均令人满意,其中方案1精度最高.方案1的输入量为气温、天气类型、风速等级3项的预测值,该方案的模型预测值与计算值的统计参数分别为:均方根偏差E_RMS为0.5182 mm,相对偏差E_R为0.1878,决定系数R2为0.864 8,认同系数I_A为0.966 9,回归系数R_C为0.9867;方案7精度亦较好,且以上指标统计参数依次为0.6576 mm、0.2332、0.986 6、0.774 7及0.986 6,该方案输入量只有气温项,实用性很强.