基于混合核函数PSO-LSSVM的边坡变形预测

支持向量机（SVM）的核函数类型和超参数对边坡位移时序预测的精度有重要影响。鉴于局部核函数学习能力强、泛化性能弱,而全局核函数泛化性能强、学习能力弱的矛盾,通过综合两类核函数各自优点构造了基于全局多项式核和高斯核的混合核函数,并引入粒子群算法（PSO）对最小二乘支持向量机（LSSVM）超参数进行全局寻优,提出了边坡位移时序预测的混合核函数PSO-LSSVM模型。将模型应用于锦屏一级水电站左岸岩石高边坡变形预测分析,并与传统核函数支持向量机预测结果进行对比分析。结果表明,该模型较传统方法在预测精度上有了明显提高,预测结果科学可靠,在边坡位移时序预测中具有良好的实际应用价值。     

基于多核模式的隧道沉降预测

为提高支持向量机的预测精度,提出一种基于自适应多核学习模型的预测方法。自适应多核学习算法中采用树形筛选结构,通过生枝、剪枝操作完成核函数间的相加、相乘处理,增强了多核函数的非线性与多样性。采用网格遍历和粒子群算法对核参数、权重系数及模型参数进行寻优处理,弥补了训练样本缺少先验知识对参数赋值产生的偏差。将多核学习方法用于地铁隧道沉降预测,并与单核函数的预测数值进行对比。试验结果表明,自适应多核学习模型有效提高了预测模型的预测精度及泛化性能。     

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。     

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。     

基于粒子群优化相关向量机的岩层可钻性预测

本文提出了一种基于粒子群优化相关向量机（PSO-RVM）的岩层可钻性预测方法。该方法选取岩层埋深H、声波时差AC、电阻率ρd、岩层密度ρ和泥质含量Vsh等5个参数作为评价岩层可钻性的基本参数。以某油田Du4钻井为例,采用PSO-RVM方法、多元回归方法和RVM方法对岩层可钻性进行评价。计算结果表明,PSO-RVM模型的预测结果与实测数据非常接近,其预测精度明显高于多元回归方法和RVM方法,说明本文提出的方法具有一定的优越性和较高的精度,可以较好地应用于钻井工程中岩层可钻性预测。     

基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测

滑坡周期项位移的预测,是研究地质灾害中滑坡变形至关重要的一步。由于单一模型易受偶然因素影响,且无法充分利用有效信息,导致其预测精度不高,适用性不强。基于此,文中提出了一种结合自适应粒子群算法（APSO）、支持向量机回归算法（SVR）、门控神经网络算法(GRU)的组合模型。该模型通过自适应粒子群优化算法对支持向量机回归算法进行参数寻优,确定最优参数组合,然后利用最小二乘法对APSO-SVR模型与GRU模型赋权建立最优权重比组合模型。以三峡白水河滑坡作为研究对象,选取降雨量、库水位及位移量作为周期项位移的影响因子,对模型进行训练验证,结果表明：在白水河滑坡周期项位移预测中,文中所提出的APSO-SVR-GRU组合模型与单一模型相比,具有更高的预测精度和稳定性。     

基于粒子群优化支持向量机的煤层底板突水量等级预测

为更好地解决支持向量机(SVM)核参数和惩罚因子的取值对煤层底板突水量等级预测精度的影响问题,提出利用全局搜索能力较强的粒子群优化(PSO)算法优化支持向量机参数。选取含水层水压、隔水层厚度、岩溶发育程度、断层规模等作为影响煤层底板突水量等级的因素,利用华北聚煤区煤层底板突水的实测数据进行训练,建立了煤层底板突水量等级预测的粒子群-支持向量机(PSO-SVM)模型,并将其应用于其他样本的预测。应用表明:模型能够较好地解决煤层底板突水量等级预测中存在的小样本、非线性等问题,预测结果与实际情况吻合程度高,具有较强的实用性和有效性。     

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PSO-MLSSVR的土体参数反演方法在深基坑工程中的应用

为了确保基坑工程安全,常常会采用数值模拟的方法预测支护结构的位移,其中岩土体力学参数的选取对于结果的影响最大.本文使用了一种粒子群(PSO)算法结合多输出最小二乘支持向量回归机(MLSSVR)的基坑土体参数位移反分析法,以深圳某深基坑的支护桩顶水平位移监测数据为依据,基于正交设计生成具有代表性的土体参数组合,通过有限元...     

基于粒子群支持向量机的三维含水层渗流参数反馈识别

实际岩土体含水层渗流一般是三维、空间各向异性的。针对三维渗流参数识别的数值正算时间过长,易限于局部最优解的问题,提出了一种基于支持向量机和粒子群优化算法的含水层渗流参数反馈识别方法。采用正交试验设计和有限元程序生成学习样本,利用支持向量机高度非线性映射能力,建立水头与渗流参数之间的映射关系,进而以识别误差目标函数为适应值,通过粒子群优化算法反馈搜索得到渗流参数。该方法可直接利用现有大规模渗流有限元程序进行三维含水层渗流参数识别。算例表明,该方法具有良好的效率和精度。     

基于PCA-PSO-SVM的凡口铅锌矿地区岩溶地表塌陷危险性预测

岩溶地表塌陷是由多个影响因素共同作用导致地面形成塌陷坑（洞）的一种动力地质现象,具有隐蔽性和突发性的特点,常规简单数学模型难以对地表塌陷危险性准确预测。文章先通过主成分分析法（PCA）对选取的地下水位、地下水位波动幅度、给水度等11个影响因素提取5个主成分,对导致地表塌陷危险性的主成分进行全新的解释,同时引入粒子群算法（PSO）优化的支持向量机（SVM）方法,建立PCA-PSO-SVM岩溶地表塌陷危险性预测模型,并结合凡口铅锌矿地区工程实例,将预测结果与单一的SVM模型预测结果进行对比,表明PCA-PSO-SVM危险性预测模型精度更高,可以更好地为岩溶地表塌陷防治工作提供依据。      

Application of statistical learning algorithms to ultimate bearing capacity of shallow foundation on cohesionless soil

This study employs two statistical learning algorithms (Support Vector Machine (SVM) and Relevance Vector Machine (RVM)) for the determination of ultimate bearing capacity (q_u) of shallow foundation on cohesionless soil. SVM is firmly based on the theory of statistical learning, uses regression technique by introducing varepsilon‐insensitive loss function. RVM is based on a Bayesian formulation of a linear model with an appropriate prior that results in a sparse representation. It also gives variance of predicted data. The inputs of models are width of footing (B), depth of footing (D), footing geometry (L/B), unit weight of sand (γ) and angle of shearing resistance (?). Equations have been developed for the determination of q_u of shallow foundation on cohesionless soil based on the SVM and RVM models. Sensitivity analysis has also been carried out to determine the effect of each input parameter. This study shows that the developed SVM and RVM are robust models for the prediction of q_u of shallow foundation on cohesionless soil. Copyright © 2010 John Wiley & Sons, Ltd.     

矿山边坡地表变形的PSO-ELM预测模型

为提高矿山边坡地表变形预测模型的精度,从矿山边坡地表变形影响因素角度考虑,建立了基于粒子群优化（PSO）极限学习机（ELM）的矿山边坡地表变形预测模型。结合经典的粒子群优化算法和极限学习机方法,提出矿山边坡地表变形影响因素同地表变形数值之间的耦合关系;采用中煤平朔安家岭露天矿区矿山边坡地表变形及影响变形因素的采集数据,应用ELM建立预测模型,并应用PSO对ELM预测模型的输入层与隐含层的连接权值、隐含层阈值进行优化,以提高其预测精度。研究表明,经过PSO的优化,将预测模型的最大相对误差（4.705×10-8）、均方误差（6.243×10-5）及均方根误差（0.008）等预测误差参数分别降低到1.516×10-8,1.158×10-5和0.003,说明PSO-ELM预测模型具有更高的预测精度,该预测模型可在后续研究中进一步应用于矿山边坡地表变形预测中,以期提升矿山生产安全。      

基于BMA多模型组合的疏勒河径流预测研究

准确可靠的径流预测对于水资源的科学管理与规划具有重要意义,特别是在水资源紧缺的干旱半干旱地区,径流预测对流域内水资源高效利用与水利工程经济运行具有重要现实意义。针对径流预测通常采用单一方法进行建模与预测,难以利用各预测模型优势的问题,本文利用极限学习机（ELM）模型、支持向量机（SVM）模型、多元自适应回归样条（MARS）等机器学习方法建立了疏勒河上游未来1~7日的径流预测模型。在此基础上,运用贝叶斯模型平均（BMA）方法对ELM、SVM、MARS模型的预测结果进行组合,构建了径流组合预测模型,以获取更可靠的预测结果,并采用蒙特卡洛抽样方法获取BMA的95%置信区间,对预测结果进行了不确定性分析。结果表明：ELM、SVM、MARS模型以及BMA组合模型均适用于干旱半干旱地区的中长期日径流预测;BMA的预测精度较单一模型更高,能够提供更准确的预测值;BMA的95%置信区间对实测值覆盖率高,同时能够提供较好的确定性预测和概率预测结果。表明BMA在资料有限的条件下,表现出较单一模型更高的预测性能,可以成为干旱半干旱地区中长期日径流预测的有效方法。     

Relevance vector machine applied to slope stability analysis

This paper examines the potential of relevance vector machine (RVM) in slope stability analysis. The nonlinear relationship between slope stability and its influence factors is presented by the relevance vector learning mechanism based on a kernel‐based Bayesian framework. The six input variables used for the RVM for the prediction of stability slope are density (γ), friction angle (C), friction coefficient (?), slope angle (?_r), slope height (H), and pore water pressure (r_u). Comparison of RVM with some other methods is also presented. RVM has been used to compute the error bar. The results presented in this paper clearly highlight that the RVM is a robust tool for the prediction of slope stability. The experimental results show the effectiveness of the proposed approach. Copyright © 2011 John Wiley & Sons, Ltd.     

Classification and Recognition of Polyhalite in Chuanzhong Based on Support Vector Machine

Polyhalite is mainly solid mineral potassium in Sichuan Basin, The most of polyhalite layer in Sichuan region is impurity, and usually accompanied by layers of gypsum, anhydrite, rock salt, and even deposited in the same layer. Conventional logging interpretation method can only roughly identificate polyhalite layers. Based on the theory of Support Vector Machine and logging interpretation methods,this paper creates prediction model with the input of logging curves, and discriminates the polyhalite reservoirs in the lower-middle Triassic strata. Compared with logging data, the accuracy rate of the discrimination results reaches 90%. According to the prediction model, identification model can be established with the curve features of polyhalite to discriminate pure polyhalite reservoirs, gypsiferous polyhalite reservoirs and polyhalite-gypsum reservoirs, the accuracy rate is 91.78%. The study demonstrates that Support Vector Machine is superior to the method of logging interpretation, and it has broad prospects in potash exploration.     

Probabilistic analysis of tunnel displacements based on correlative recognition of rock mass parameters

Displacement is vital in the evaluations of tunnel excavation processes,as well as in determining the postexcavation stability of surrounding rock masses.The prediction of tunnel displacement is a complex problem because of the uncertainties of rock mass properties.Meanwhile,the variation and the correlation relationship of geotechnical material properties have been gradually recognized by researchers in recent years.In this paper,a novel probabilistic method is proposed to estimate the uncertainties of rock mass properties and tunnel displacement,which integrated multivariate distribution function and a relevance vector machine(RVM).The multivariate distribution function is used to establish the probability model of related random variables.RVM is coupled with the numerical simulation methods to construct the nonlinear relationship between tunnel displacements and rock mass parameters,which avoided a large number of numerical simulations.Also,the residual rock mass parameters are taken into account to reflect the brittleness of deeply buried rock mass.Then,based on the proposed method,the uncertainty of displacement in a deep tunnel of CJPL-II laboratory are analyzed and compared with the in-situ measurements.It is found that the predicted tunnel displacements by the RVM model closely match with the measured ones.The correlations of parameters have significant impacts on the uncertainty results.The uncertainty of tunnel displacement decreases while the reliability of the tunnel increases with the increases of the negative correlations among rock mass parameters.When compared to the deterministic method,the proposed approach is more rational and scientific,and also conformed to rock engineering practices.     

基于PSONN的大坝监控实时预报模型

将粒子群算法（PSO）引入大坝监测领域,提出一种基于粒子群神经网络（PSONN）的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群（SPSONN）、整体粒子群（WPSONN）、逐一BP（SBPNN）及整体BP（WBPNN）4种预报模型的对比分析表明：逐一预报模型（SPSONN和SBPNN）的预报精度明显高于对应的整体预报模型（WPSONN和WBPNN）的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。     

基于测井参数优选的煤层含气量预测模型

随着煤层气勘探的不断深入,对煤层含气量预测精度提出了更高的要求。基于煤层含气量测井响应特征,分析测井参数与含气量的相关性,提出MIV（Mean Impact Value）技术与LSSVM（Least Squares Support Vector Machine）结合的测井参数优选策略,优选最优测井参数作为网络建模的输入自变量组合,通过粒子群算法优化LSSVM网络核心参数,最后构建一套适用于煤层含气量预测的MIV-PSO-LSSVM模型。在此基础上,分别对比分析LSSVM、PSO-LSSVM、MIV-LSSVM和MIV-PSO-LSSVM模型对煤层含气量的预测性能,并与传统多元回归方法进行了对比,利用拟合优度和均方根误差对此5类模型进行评价。结果表明:PSO优化下的LSSVM模型预测精度得到有效提升,结合MIV方法优选测井参数可大幅度改善神经网络建模性能,MIV-PSO-LSSVM模型可实现煤层含气量高精度预测,为煤层气勘探及其储层评价提供新的技术支撑,且本研究的建模策略及思想可广泛应用于其他机器学习建模研究领域。      

四川丹巴县典型滑坡GPS监测效果研究

本文介绍了利用GPS监测丹巴县甲居滑坡、干桥沟滑坡、红军桥滑坡和亚喀则滑坡昕获得的速度矢量图。监测结果表明：2006年8月～2007年12月甲居滑坡位移量北侧较南侧大,干桥沟滑坡位移量较小;2007年5月～12月红军桥滑坡位移量较小,亚喀则滑坡部分测站位移量较大,变形严重。