基于IPSO-LSSVM模型的公路路基沉降预测

为了对公路路基沉降监测数据进行准确分析,本文依据当前监测数据对未来某段时间的变形趋势进行预测,结合最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)模型与改进的粒子群优化算法(Improved Particle Swarm Optimization, IPSO)在数据预测与参数寻优中的优势,构建新的IPSO-LSSVM组合预测模型。该组合预测模型通过IPSO算法不断优化LSSVM模型中的惩罚因子C与核函数参数σ,避免参数选取随意造成预测精度不高的问题。最后使用实测某公路路基沉降数据对本文提出模型的有效性与优越性进行检验,结果表明,经IPSO算法优化的LSSVM模型预测精度更高,稳定性更好,可为变形预测提供一定参考。     

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。     

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。     

基于自适应粒子群优化的SVM算法在建筑物沉降预测中的应用

针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。     

基于混合智能优化算法的建筑物沉降预测应用研究

为解决现代工程施工中对沉降预测精度提出的更高要求,本研究提出了一种基于粒子群算法(PSO)和支持回归机(SVR)的混合预测模型。依据山西某工程建筑施工沉降监测数据,将其分为建模和测试两部分,分别建立了SVR、PSO-SVR、BP神经网络和多元回归预测模型。最后对模型做试算分析,结果表明:PSO-SVR模型预测精度绝对占优,对实际值具有更强的逼近能力,多元回归模型预测精度相较于PSO-SVR模型略低,但明显优于其它两类智能模型。本文提出的混合模型对解决实际工程中遇到的沉降预测问题非常实用,值得进一步推广应用。     

利用经验模态分解和LSSVM预测隧道不均匀沉降

隧道不均匀沉降是个复杂的系统.针对其非线性、非平稳的特点,本文将经验模态分解(EMD)和最小二乘支持向量机(LSSVM)引入该领域,建立了一种基于EMD和LSSVM的预测模型.首先,利用EMD方法将原始序列作平稳化处理,得到一系列本征模态分量(IMF);其次,根据各个IMF的变化规律,采用合适的参数构造不同的LSSVM...     

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。     

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。     

利用偏态二叉树最小二乘支持向量机进行高光谱遥感影像分类

本文采用偏态二叉树最小二乘支持向量机的方法来进行高光谱遥感影像的分类,分别采用交叉验证法、遗传算法、粒子群优化算法来优化高斯径向基核函数的2个参数。以北京昌平小汤山地区的高光谱影像为例,对这3种参数优化方法进行比较验证,其中基于交叉验证法优化参数所获得的分类精度最佳。实验也证明了本文采用的分类方法明显优于其他传统的分类方法,有效地提高了高光谱数据的分类精度。     

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。     

基于神经网络的组合模型在基坑沉降预测中的应用研究

通过对基坑沉降发展规律及其沉降曲线特点进行的研究,在多种S型单项预测模型基础上引入了组合预测的思想,本文先用4种S型增长曲线模型分别对基坑开挖周边地表沉降值进行拟合和预测,然后基于各单一模型预测数值通过神经网络进行组合建立组合模型进行预测。通过实例,对模型的预测结果进行了分析和检验,证明了在沉降变形分析中应用此组合预测法的可行性。     

改进灰色马尔科夫模型在基坑预测中的研究

基坑预测问题关系到工程施工的安全,在施工过程中对基坑进行周密的监测和变性预测分析显得尤为重要。针对传统预测模型存在固有偏差和可靠性低的缺点,采用新陈代谢的原理对无偏灰色加权马尔科夫模型进行改进。该模型先用无偏灰色模型拟合系统的总体变化趋势,然后,对拟合残差进行马尔可夫状态划分,并根据各阶权重对不同步长的转移矩阵进行加权处理,用加权后的无偏灰色马尔科夫模型进行预测。在每一步的预测中,利用新陈代谢的原理不断更新建模所使用的数据。将该模型用于基坑沉降预测,并通过实例进行验证。实验表明:基于新陈代谢的无偏灰色加权马尔科夫模型提高了基坑沉降预测的精度和可靠性,预测精度与未改进模型相比提高了8.54%。     

改进BP神经网络模型的地基变形预测

BP神经网络模型是一种经典的预测模型,被广泛应用于变形分析预测的各个领域。本文采用一定方法以进一步改进BP神经网络模型,并通过灰色Verhulst-BP模型分析软基处理地基的实例数据,结合Matlab语言,编程比较分析预测及实测的数据,得出结果证明改进灰色Verhulst-BP模型的分析预测精度较高,比较适合于建筑地基变形的预测分析。     

基于ARMA模型的基坑沉降监测预测研究

应用ARMA模型对地铁车站基坑监测数据进行预测分析。在参考利用已有的ARMA模型算法进行预报分析的基础上,联合最小二乘原理对模型算法进行改进,结合基坑工程算例,验证了新模型算法的可行性、有效性及稳定性。说明改进之后的新模型算法较老模型算法提高了预测精度且提升了运算效率。     

基于对数变换的优化灰色模型在基坑沉降中的应用

结合青岛某火车站基坑沉降观测工程,本文运用灰色预测模型对其沉降数据进行处理,并对其未来趋势做出预测。传统灰色预测模型的优点是计算简单,但其与原始数据拟合程度较低,预测精度有时也不能满足要求。为了提高灰色模型的拟合和预测精度,本文对原始数据进行对数变换以提高原始数据序列的光滑度,并融入新陈代谢思想对模型做进一步优化。结果表明,优化后的模型预测精度较高,有较好的应用价值。     

基于小波变换与ARMA模型的建筑物沉降预报

对建筑物进行沉降监测并预报其变化趋势,能有效保障建筑物的安全性。本文提出一种基于小波变换的ARMA模型用于建筑物沉降预报。利用小波多尺度分析将沉降监测数据分解为高频信号和低频信号,并分别采用ARMA模型进行预测,然后将各序列预测结果进行合成,得到最终预测结果。并以青岛市某高层建筑物监测数据为例,分别采用传统ARMA模型以及基于小波变换的ARMA模型进行预报对比分析,结果表明基于小波变换的ARMA模型取得了较高的预报精度。     

指数曲线模型预测基坑周边地面沉降

结合天津富裕广场三期工程基坑周围地面沉降观测的工作实践,利用指数曲线法对该工程的地面沉降过程进行了预测,得出实际观测值与预测值之间的拟合曲线,并通过比较得出该预测方法的优劣。     

灰色马尔可夫模型在建筑物沉降预测中的应用研究

建筑物作为一个特殊的物体,必须正确预测其变形发展趋势,灰色GM(1,1)模型由于自身的局限性使其在沉降预测中显得方法单一。本文提出一种预测模型,灰色马尔可夫模型,该模型结合了灰色模型和马尔可夫模型的优点,共同来判断建筑物的发展趋势,并通过实例来验证该方法的可行性。