基于模糊模式识别的支持向量机的回归预测方法

尝试把最近发展起来的支持向量机引入水文预测中,建立了支持向量机水文回归预测模型,为小样本情况下水文预测提供一种行之有效的可选择的方法。在此基础上,为了更好地处理水文系统中广泛存在的不确定、模糊信息,进一步把模糊模式识别理论引入支持向量机,提出一种模糊模式识别核函数。该核函数具有更明确合理的物理意义。冰凌预测实例表明了SVM水文回归预测方法及模糊模式识别核函数的有效性和可行性。     

基于支持向量机回归的电阻率成像反演

以电阻率成像为应用背景,研究了在有限学习样本下,支持向量机回归在电法反演中的建模方法,对反演建模时样本划分、数据预处理、反演流程、评估指标等关键技术进行了分析,给出了一种基于交叉验证(CV)的支持向量机参数寻优方法;通过比较RBF核函数在不同的参数ε下对反演结果的影响,建立了优化的电阻率成像SVR反演模型.     

基于对应分析的支持向量机回归在地震储层厚度预测中的应用

储层厚度的预测是油气藏描述的一项关键技术,然储层厚度和地震信息之间的关系是非线性的,其他的数学方法很难拟合.解决这一难点用到了一种新的数学统计方法--支持向量机.笔者介绍了对应分析和支持向量回归机算法原理,在此基础上以实际的数据为例子成功地对储层参数-厚度进行了预测,取得了实际的应用效果,得出了该方法切实可行的结论.     

基于整体经验模态分解和支持向量回归的北京市 PM 2．5预测

为了更好地掌握大气中PM2.5浓度的变化规律,利用EEMD-SVR混合模型对该地区的PM2.5浓度值进行了短期预测。首先,通过采用整体经验模态分解(EEMD)方法分析北京市PM2.5,把原始时间序列分解成多个固有模态函数和趋势项;然后,对各阶固有模态函数进行周期性分析,揭示了北京市PM2.5的周期性变化特点;最后,对经过EEMD分解后的各阶固有模态函数和趋势项用支持向量机回归(SVR)方法进行预测。结果表明,EEMD-SVR混合模型比单一的SVR模型预测精度更高。     

基于支持向量机的降雨-径流预测研究

本文探讨了支持向量机方法在降雨-径流预测中的应用.该方法采用结构风险最小化准则,弥补了人工神经网络在预测应用中的不足,较好地解决了小样本,非线性、高维数和局部最小点等实际问题.并且本研究通过与人工神经网络预测方法、传统的回归分析预测方法比较研究,得出支持向量机能取得更高精度的降雨-径流预测值.     

基于回归支持向量机的水库防洪承载力预测模型研究

防洪承载力,即水库目前剩余防洪库容条件下,不泄洪所能容纳的流域面降雨量.根据水量平衡原理分析概化出防洪承载力的预报因子为当前土壤含水量,当前入库流量以及水库剩余库容.利用2010-2020年青山水库55场历史洪水建立基于回归支持向量机的防洪承载力预测模型,利用贝叶斯优化进行超参数率定,通过分析预测值确定回归支持向量机核...     

加权支持向量回归机及其在水质预测中的应用

支持向量机是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法。本文对用于回归估计的标准支持向量机加以改进，提出了一种新的用于回归估计的支持向量机学习算法，针对各样本重要性的差异，给各个样本的惩罚系数和误差要求赋予不同权重，并利用加权支持向量回归机的理论及其算法构建水质预测模型。实验结果表明，该方法对水质具有较好的预测效果。     

基于支持向量机的膨胀土胀缩等级预测

膨胀土的胀缩等级判定对膨胀土地区工程建设具有重要的意义。为此,本文提出了一种基于支持向量回归机（SVR）模型的膨胀土胀缩等级预测方法。基于肯尼亚“蒙内铁路”沿线膨胀土的土工试验数据,以土体自由膨胀率作为预测目标,构建了包含两种不同预测指标体系的膨胀土胀缩等级预测模型。模型I以液限、塑限、塑性指数、3种不同粒径的颗粒含量（< 0.075、0.075～0.25、0.25～0.5）、土的类型为输入参数,模型II以液限、塑限、塑性指数、粒径< 0.075的颗粒含量、土的类型为预测参数。两个模型在预测时采用Linear、Polynomial、RBF和Sigmoid核函数进行训练。结果表明：（1）当预测采样次数达到1000次时,训练模型均趋于稳定;（2）整体而言,模型I的预测精度要优于模型II,模型I中采用RBF核函数建立的模型给出了最高准确率86.6%,其次为Linear核函数（准确率82.9%）和Sigmoid和函数（准确率75.1%）。模型II中采用RBF核函数建立的模型给出了最高准确率77.4%,其次为Linear核函数（准确率74.3%）和Sigmoid和函数（准确率72.9%）;（3）采用Linear函数、Sigmoid函数和RBF函数作为核函数模型对44组未知胀缩等级的土样预测时,模型I中三者预测结果相同的数量占比为73%,其余组土样的预测胀缩等级相同或相邻,不存在“越级”现象,模型II中三者预测结果相同的数量占比为68%,不存在“越级”现象。最后,通过与模糊层次分析法评价结果对比,进一步证明了本文研究结果可为肯尼亚等类似地区工程建设中膨胀土的胀缩等级预测和处理提供依据。     

基于聚类-二叉树支持向量机的砂土液化预测模型

建立在统计学习理论基础之上的支持向量机（SVM）,是一种基于结构风险最小的小样本机器学习方法。经典的支持向量机主要针对二分类问题,而工程实践中遇到的往往是多分类问题。根据影响砂土液化的主要因素,采用聚类分析中的类距离思想,建立了基于聚类-二叉树的多类支持向量机的砂土液化判别模型。该模型可以通过有限样本的学习,建立砂土液化与各影响因素之间的非线性关系。研究结果表明,基于聚类-二叉树支持向量机的层次结构合理,分类精度高,泛化性好,可对砂土液化等级进行较准确判别     

采用支持向量回归从测井曲线定量计算油页岩含油率

获取油页岩含油率是油页岩资源评价的重要步骤,传统从测井曲线计算油页岩含油率多采用回归模型,但存在误差大或过拟合的局限性和弱点.本文尝试结合大数据概念的数据挖掘算法和测井应用知识进行油页岩含油率定量计算,提高含油率计算的精度以及模型的泛化性.利用改进的ΔlogR技术获得DT_s、DEN_s、GR_s作为解释变量.采用数据挖掘算法——支持向量回归进行定量计算油页岩含油率能够大幅提高泛化性和精度,获得模型训练样本R²得分为0.82,测试样本R²得分可达0.70,拟合精度较高.支持向量回归模型比传统回归模型泛化能力更强,能够避免过拟合问题,具有广泛的应用性.     

基于Ricker子波核的支持向量回归方法及其在地震勘探记录去噪处理中的应用

针对地震勘探中强随机噪声的去噪问题,引进支持向量回归方法,提出并证明一种新的Ricker子波核函数。支持向量回归采用核映射的基本思想,基于结构风险最小化原则,将回归问题转化为一个二次规划问题。对单道记录或多道记录中任选道的仿真实验表明,与传统的基于径向基核函数的支持向量回归及褶积滤波方法相比,使用本方法去噪后的同相轴更为清晰,波形恢复得更好,信噪比也较高,因此有可能将其应用于地震勘探记录的去噪处理中。     

基于决策树特征提取的支持向量机在岩性分类中的应用

由于支持向量机属于黑箱模型,因此在进行模型学习时无法直接对特征进行选择,而决策树模型在递归创建的过程中自身具有一定的特征选择能力。针对岩性分类问题,本文将决策树和支持向量机结合,通过决策树的建立,在考虑特征重要性的前提下,利用树节点的高度对特征进行提取,并将具有更高分类能力的特征送入支持向量机进行岩性分类。结果表明:通过决策树的特征提取,减少了支持向量机模型的输入特征,从而有效控制了模型的复杂度,使得模型更加稳定并具有更高的分类精度,测试集精度能够提升10%以上。     

基于SVM的溶洞顶板安全厚度智能预测模型

以某岩溶隧道为背景,采用二维弹塑性有限元方法对隧道开挖进行数值模拟计算,分析了隧道底部溶洞顶板安全厚度的影响因素,用支持向量机方法得出了能综合体现各影响因素的溶洞顶板安全厚度预测模型,并和多元线性回归得到的预测模型进行对比。计算结果表明,支持向量机预测模型较之多元线性回归模型,不但具有方便快捷的优点,而且具有更高的预测精度。     

Micro-seismic Event Detection of Hot Dry Rock based on the Gated Recurrent Unit Model and a Support Vector Machine

Micro-seismic monitoring is one of the most critical technologies that guide hydraulic fracturing in hot dry rock resource development. Micro-seismic monitoring requires high precision detection of micro-seismic events with a low signal-to-noise ratio. Because of this requirement, we propose a recurrent neural network model named gated recurrent unit and support vector machine (GRU_SVM). The proposed model ensures high accuracy while reducing the parameter number and hardware requirement in the training process. Since micro-seismic events in hot dry rock produce large wave amplitudes and strong vibrations, it is difficult to reverse the onset of each individual event. In this study, we utilize a support vector machine (SVM) as a classifier to improve the micro-seismic event detection accuracy. To validate the methodology, we compare the simulation results of the short-term-average to the long-term-average (STA/LTA) method with GRU_SVM method by using hot dry rock micro-seismic event data in Qinghai Province, China. Our proposed method has an accuracy of about 95% for identifying micro-seismic events with low signal-to-noise ratios. By ignoring smaller micro-seismic events, the detection procedure can be processed more efficiently, which is able to provide a real-time observation on the types of hydraulic fracturing in the reservoirs.