基于小波分解和最小二乘支持向量机的ENSO集成预测

用小波分解和最小二乘支持向量机相结合的方法,建立了ENSO的集成预报模型。该方法将复杂海温系统分解为相对简单的带通分量信号,然后建立分量信号的独立预报模型,最后对预报结果进行集成。试验结果表明,模型在保留预报对象主要特征的前提下,有效地降低了预报难度,集成预报准确率和预报时效均较传统方法有明显的改进和提高。     

基于最小二乘支持向量机的声速空间变化模型构建

建立声速空间变化模型是解决声速剖面代表性误差的有效方法。在对不同声速剖面进行标准化处理的基础上,通过声速训练样本及核函数的选取,提出并实现了一种基于最小二乘支持向量机算法的声速空间变化模型构建方法。为了检验该方法的有效性,选取实测的声速剖面数据进行验证,结果表明该方法能有效地构建声速空间变化模型,从而消除或最大限度地削弱声速剖面代表性误差。     

稀疏LS-SVM算法在海底趋势面模型构建中的应用

利用最小二乘向量机(LS-SVM)算法构造海底趋势面的过程中,由于算法解缺乏稀疏性,使得异常测深训练样本对最终构造的函数模型也产生影响。为了解决该问题,在对留一样本交叉检核法研究的基础上提出了LS-SVM稀疏算法,由于留一样本交叉检核法求解的残差序列可以有效地表示函数预测值偏离实际水深的程度,因此利用该原则重新修剪后的样本数据不仅使算法具有稀疏特性,而且构造的函数模型更合理。为了检验算法的有效性,选取实测的多波束测深数据进行验证,计算结果表明留一样本交叉检核法能够合理地筛选出对函数模型构造贡献程度大的测深训练样本,使得构造的函数模型更合理。     

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,提出并实现了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行验证,结果表明在训练样本优化的基础上,通过调整 LS-SVM 的参数可以得到更为合理的海底趋势面,测深异常值地剔除也更为有效。     

多波束测深趋势面系数的主成分估计

在多波束测深趋势面滤波构建趋势面模型的过程中,其模型变量线性相关时,系数阵存在复共线性,因此将主成分估计的方法应用于趋势面模型系数的求解,从而避免了复共线性的影响,最后通过实测数据进行实验,分别利用最小二乘算法和主成分估计求解二次趋势面模型。比较计算结果,验证了主成分估计算法的有效性。     

基于加权最小二乘曲面拟合的规则格网DEM

数字高程模型（DEM）是描述地表起伏形态特征的空间数据模型。DEM完全可以代替传统使用等高线对地形表面的描述,进而满足对等高线数据相同的各种需求。内插是DEM的核心问题,它是DEM各种应用的基础。介绍了加权最小二乘曲面拟合法构建规则格网DEM的理论和方法。试验结果表明：加权最小二乘曲面拟合算法具有插值结果较精确、处理效率较高和模拟地表效果较好等优点。     

最小二乘法在海域勘界界线划定中的应用研究

海域行政区域勘界是海域使用管理的一项基础性工作,其技术性和行政性均较强。本文介绍了海域勘界界线划定的几种方法,重点详述了侧界线推导法的原理以及运用最小二乘法原理对分界线的拟合,并结合实际需要和技术需求,详细介绍了最小二乘法在海域勘界中的应用研究,为海域勘界提供界线草案的拟定方法。     

线性最小二乘问题解流形的逼近性

研究两个线性最小二乘问题解流形之间的逼近性。所得结果可看作普通最小二乘问题扰动理论的继续。推广了若干已有结论。     

关于最小二乘问题近似解误差估计的进一步分析

Brezinski等人给出了最小二乘问题近似解的一族误差估计。该误差估计含有1个实参数。本文的贡献有3个方面:其一是给出了1种参数选择策略;其二是对该族误差估计的性质做出进一步分析;其三是分析了应用于Tikhonov正则化时应注意的一些问题。     

基于小波变换和LS-SVM的船面风速风向估算方法

为了对锚泊状态下未来0.5 h的船面风速和风向进行估算,提出了一种基于小波变换和最小二乘支持向量机的估算方法。首先对原始风速数据进行正交分解,得到X轴和Y轴风速;然后分别对X轴和Y轴风速进行小波分解,提取出低频和高频数据序列;其次利用最小二乘向量机方法,分别对低频、高频序列进行估算,分别将X轴和Y轴各序列估算结果进行叠加得到X轴和Y轴估算风速;最后利用矢量法则,同时实现了风速和风向未来0.5 h的估算。以试验船在东海海域锚泊状态下船舶气象仪所测的风速风向数据进行建模与实例验证分析,结果表明该方法具有较高的估算精度。     

基于支持向量机理论的海水水质富营养化评价研究

首次利用支持向量机(SVM)理论对海水水质富营养化的程度进行评价，并与BP人工神经网络方法所得结果进行比较，通过实例验证，说明SVM理论能较好地解决小样本的分类评价问题，评价效果良好，在水质评价领域有较好的应用前景。     

基于最小二乘和卡尔曼滤波方法进行原子时预报的研究

介绍和分析了最小二乘和卡尔曼滤波方法在时间预报中的应用。通过IGS站提供的钟差数据,分别运用这两种方法对其中六个原子钟进行了时间预报的实验。通过对预报结果进行分析,结论证明为了取得较好的预报效果,不同的预报方法和钟参数的模型对于观测数据的要求有一些差别。从实验数据所成图形来看,当采用一天的观测数据进行模型预报时,最小二乘法的预报精度比卡尔曼滤波法稍高一些。     

基于SVM的海浪要素预测试验研究

采用支持向量机对海浪要素中的有效波高进行预测,采用风场和波浪场作为学习要素,对比不同特征向量对有效波高预测结果的准确度。取台湾岛东部海区作为实验区域,使用NCEP再分析的数值模式数据作为学习样本。选用支持向量分类机,建立了4组不同特征向量的模型进行海浪有效波高的预测,并对4种模型的结果进行比较和分析。实验表明,当输入的特征向量过多或过少时,会对模型的预测结果和计算效率产生不同的影响。当使用风场和波浪场共同作为特征向量进行学习时,在该区域预测结果与模式预报结果相比更接近,相关系数将近99%,均方根误差约0.2 m。     

一种基于支持向量机的纹理图像分类法

支持向量机是机器学习领域的研究热点之一,是在统计学习理论基础上发展起来的新的学习算法。传统的分类法用于纹理图像分类效果往往不佳,该文研究了支持向量机的实现方法,并以纹理图像分类为例分析了支持向量机的分类性能。     

基于阵列感应测井的支持向量机流体识别方法

基于研究区块的高分辨率阵列感应测井(HDIL)资料,首先分析了利用交会图法进行流体识别的效果,指出了该常规解释方法的局限性。在此基础上,将基于遗传算法优化的支持向量机(GA-SVM)引入到测井解释当中,结合阵列感应测井和常规测井资料,建立了流体识别的非线性模型。利用该模型对45个训练样本进行回判,准确率为100%,对21个预测样本进行预测的准确率为90.48%,相对于常规解释方法,该流体识别方法具有更高的准确率。     

最小二乘水位拟合法的应用优化设置

基于最小二乘水位拟合模型参数的时变性及其规律,分析指出模型参数求解的最佳同步时长与潮汐类型相关,按半日潮、混合潮、全日潮类型应分别取略大于6h、10h、12h。分析了参数在一定精度下能延续使用的时长,即参数的时效性问题,统计分析表明:在保证精度的前提下,模型参数可延续使用同步时长的约一半,可显著提高运行效率。     

Updated Support Vector Machine for Seismic Liquefaction Evaluation Based on the Penetration Tests

Simplified techniques based on in situ testing methods are commonly used to predict liquefaction potential. Many of these simplified methods are based on finding the liquefaction boundary separating two categories (the occurrence or non-occurrence of liquefaction) through the analysis of liquefaction case histories. As the liquefaction classification problem is highly nonlinear in nature, it is difficult to develop a comprehensive model taking into account all the independent variables, such as the seismic and soil properties, using conventional modeling techniques. Hence, in many of the conventional methods that have been proposed, simplified assumptions have been made. In this study, an updated support vector machine (SVM) based on particle swarm optimization (PSO) is used to evaluate liquefaction potential in two separate case studies. One case is based on standard penetration test (SPT) data and the other is based on cone penetration test (CPT) data. The SVM model effectively explores the relationship between the independent and dependent variables without any assumptions about the relationship between the various variables. This study serves to demonstrate that the SVM can “discover” the intrinsic relationship between the seismic and soil parameters and the liquefaction potential. Comparisons indicate that the SVM models perform far better than the conventional methods in predicting the occurrence or non-occurrence of liquefaction.