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。     

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。     

基于灰狼算法和支持向量回归机的非线性沉降变形预测方法

针对常规支持向量机预测模型在变形数据处理预测中的不足,本文提出了一种基于改进灰狼算法的支持向量回归模型。重新定义了灰狼算法中的收敛因子,并引入多项式变异算子,使得算法在收敛方面得到改善;将具有局部特征的柯西核函数和具有全局特征的多项式核函数进行组合,以此来综合核函数的两种不同特性,提高预测数据集的整体精度。采用基坑监测项目数据对模型预测能力进行实验,并与其他模型进行对比分析。结果表明,本文模型对结构变形发展演化的非线性特征拟合精度更高,可以应用到时间序列变化的数据预测处理。     

支持向量机模型在大坝变形预测中的应用

根据大坝变形量与大坝变形因子之间的非线性关系建立了大坝变形预测的支持向量机模型,并用交叉验证的方法对支持向量机惩罚参数和核函数参数进行寻优,最后得到良好的大坝变形预测效果。用该模型和与传统的BP神经网络对比,结果证明支持向量机在大坝变形预测方面是强于BP神经网络的。     

基于小波变换和支持向量机的大坝变形预测

提出了一种基于小波变换和支持向量机的大坝变形预测方法.通过小波变换把变形时间序列分解成具有不同频率特征的分量,根据各分量的特点构造不同的支持向量机模型进行预测,然后把各分量的预测结果进行重构,作为最终的变形预测结果.实例证明,该方法具有很高的预测精度和较强的泛化能力.     

基于AEPSO改进支持向量机的堤基沉降预测

在支持向量机的预测模型中,关键参数的选取是最重要的一步。在此基础上提出基于AEPSO改进的支持向量机预测模型。利用AEPSO的局部和全局搜索能力,提高支持向量机关键参数寻优的精度。文中详细介绍模型建立的过程,以莆田市木兰溪防洪工程为例,应用改进的模型进行堤基沉降预测,并与标准PSO支持向量机预测模型相对比。结果表明,基于AEPSO改进的支持向量机预测模型提高了预测的精度。     

改进遗传算法优化灰色神经网络隧道变形预测

针对目前隧道变形预测方法的不足,该文提出了使用改进型遗传算法优化灰色神经网络的隧道变形预测模型。改进遗传算法策略:在种群繁衍过程中根据个体的适应度进行排序,再将排序后的种群均分为3个部分,按照比例对3个部分进行选择,最后从适应度较大的部分中随机选取个体在重新补充到种群中。改进型遗传算法可以避免陷入局部收敛成功找寻全局最优解,提高收敛速度。该文利用实际隧道监测数据进行实验,验证改进型遗传算法优化灰色神经网络的隧道变形预测模型。实验证明,改进型遗传算法优化灰色神经的隧道变形预测模型在进行隧道拱顶下沉量预测时有着更高的精度、更好的稳定性。     

一种改进的支持向量机参数优化方法

为了保证支持向量机在提高核参数寻优效率的同时,拥有较高的学习精度,深入研究了核参数对支持向量机分类的影响,分析了网格搜索法和双线性搜索法的优缺点,并以此为基础提出了一种改进的参数优化方法。实验结果表明,该算法在保证支持向量机获得较高学习精度的同时能大大缩短参数寻优的时间,证明了该算法的优越性。     

改进支持向量机算法无人机影像信息精确提取

支持向量机(SVM)算法作为一种成功应用于大多数遥感影像的分类方法,虽然具有较高的提取精度,但是针对分类中仅仅采用单一参数,严重依赖于参数选择的不足,该文基于AdaBoost算法提出一种改进的SVM分类方法。该方法采用选择径向基函数作为核函数的SVM算法作为AdaBoost的弱分类器,实现了核参数的自适应调整。实验结果证明,该方法可以达到精确提取无人机影像信息的目的。     

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。     

InSAR和改进支持向量机的沉陷预测模型分析

针对传统开采沉陷监测方法的缺陷和现有预测模型精度较低的问题,该文提出了一种基于SBAS-InSAR和差分进化混合灰狼优化算法(DEGWO)优化支持向量机回归(SVR)的预测模型,利用2018年10月-2020年3月的44景Sentinel-1A数据对陕西彬长矿区孟村煤矿进行开采沉陷监测,得到该矿区的年平均沉降速率和时间序列累积沉降值.SBAS-InSAR监测结果表明,该矿区年平均沉降速率最高达到了211 mm/a,最大累积形变量达到335 mm.用矿区GPS数据对InSAR处理结果进行验证,拟合效果较好.并将预测结果与传统SVR预测模型以及灰色GM(1,1)模型的预测结果进行对比,DEGWO-SVR模型的绝对误差、相对误差以及均方根误差,均为三者最小.说明了差分进化混合灰狼优化算法能够起到很好的参数优化效果,该方法优化的SVR预测模型能够在矿区开采沉陷预测中得到应用.     

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.     

进化多核相关向量机的大坝变形预测

针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。     

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.     

支持向量机模型的登革热时空扩散预测

针对登革热传播速度及破坏力呈显著上升趋势,但其预测存在一定难度的现状,该文将GIS与支持向量机模型相结合,预测广州市主城区2014年9月登革热时空扩散趋势。在综合分析登革热空间分布模式的基础上,将格网区域周边8个Queen邻域作为影响因子,建立基于支持向量机的登革热时空扩散模型的方法。研究表明,支持向量机模型在样本训练阶段和预测阶段都具有良好的模拟精度,均方根误差分别为1.58、3.72。支持向量机能有效预测登革热时空扩散趋势,能够描述登革热时空扩散过程中复杂的非线性关系,综合预测正确率达81.3%。该模型同样适用于其他疾病时空预测。     

基于核主成分分析和粒子群优化支持向量机的滑坡位移预测

利用核主成分分析法对滑坡位移影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,其中模型参数通过粒子群算法进行选择优化,构建出核主成分分析和粒子群优化支持向量机协同模型,对滑坡相对位移进行预测。预测结果的平均绝对误差和相对误差分别为0.760和7.563%,与其他预测模型相比,其拟合和泛化能力最优,表明核主成分分析和粒子群优化支持向量机协同模型的预测结果与实际监测值具有很好的一致性。     

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。     

基于粒子群优化的支持向量机在地表沉降预测中的应用

讨论了利用粒子群优化（PSO）算法来优化选择支持向量机（SVM）参数的原理,分析了三种方法在地表沉降预测中的实例,结果表明PSO-SVM模型预测精度高。     

支持向量机在建筑物变形监测中的应用探讨

论述了支持向量机的回归算法和基于时间序列支持向量回归的建筑物变形预测方法,并用MATLAB6.5工具箱编制基于时间序列支持向量回归程序,建立了基于时间序列支持向量回归模型。最后以实例数据讨证基于时间序列支持向量机回归模型的预测方法。研究表明:用时间序列支持向量回归模型建立的建筑物变形监测的预测模型是可行的和有效的。