基于灰色最小二乘支持向量机的大坝变形预测

提出一种基于灰色最小二乘支持向量机的大坝变形预测新算法。通过对原始大坝序列进行一次累加,弱化序列中随机扰动的影响,增强数据的规律性,进而建立最小二乘支持向量机预测模型,并采用网格搜索法选取最优参数。算法充分利用了最小二乘支持向量机泛化能力强、非线性拟合性好等优良特性,避免了灰色方法及模型存在的理论缺陷。与灰色GM(1,1)和单一最小二乘支持向量机对比表明,新算法能保证较优的局部预测值和较好的全局预测精度,应用于短期大坝变形预测是可行的。     

基于EEMD的大坝变形多步预测方法研究

针对大坝变形具有非线性和非平稳性的特点,提出一种基于集合经验模态分解(EEMD)的大坝变形多步预测新算法。首先从时频分析出发,利用集合经验模态分解将变形时间序列分解成具有不同频率特征的分量;然后采用游程判定法对波动程度相似的分量重构为高、中和低频3个分量;最后对3个分量分别建立相应的多步预测模型,叠加各预测值即为最终预测结果。经算例验证,并与AR模型、BP神经网络和支持向量机的多步预测进行对比分析,同时建立不同预测步长进一步验证。结果表明,该算法预测精度较高,在大坝变形波动剧烈的时段也能保证较好的预测效果,可以应用于大坝变形预测。     

用小波分析与灰色支持向量机预测高铁变形

针对高铁变形监测数据的非线性特征,构建一种基于小波与灰色支持向量机的高铁变形预测组合模型。利用小波分析获取不同时频尺度上的随机序列和近似序列,通过嵌入维数的确定和高低频数据的相关性分析,将重构后的随机序列作为遗传算法优化SVR模型的输入,对近似序列则采用灰色支持向量机来描述其演变特征,最后将二者预测结果进行耦合叠加,得到小波灰色支持向量机的组合模型预测结果。以贵广高铁实测数据为例,将均方差、平均绝对误差、平均绝对相对误差作为评判指标对预测效果进行评价,结果表明该模型较好地拟合了近似分量,同时避免了细节分量的过拟合,为高铁变形预测提供了新途径。     

基于LS-SVM的灰色补偿RBF神经网络组合预测模型在建筑物沉降分析中的应用

针对GM(1,1)模型在建筑物变形预测中精度和泛化能力较低的缺陷,提出一种基于LS-SVM的灰色补偿RBF神经网络的建筑物变形组合预测方法。利用最小二乘支持向量机训练由灰色GM(1,1)模型预测得到的一组结果的残差值,直接获得RBF网络的中心函数训练RBF网络,得到RBF误差补偿器,去补偿GM(1,1)模型。实验证明,最小二乘支持向量机、灰色系统以及神经网络3者相结合的方法,能有效提高建筑物变形沉降预测的精度。     

遗传算法优化支持向量机在大坝变形预测中的应用

建立大坝变形预测的支持向量机模型,并用遗传算法对支持向量机模型的核函数参数、惩罚参数和损失参数进行优化。将同一优化方法不同支持向量机核函数、不同优化方法同种支持向量机核函数进行横向对比,将BP神经网络、自回归AR(p)模型、多元回归分析法和周期函数拟合法进行纵向对比。结果表明,该GA-SVM(RBF)模型不仅能较好地预测大坝的变形趋势,而且能大幅提高预测精度。     

基于小波分解与GA-LSSVM的GPS可降水量短临预报

针对GPS可降水量时间序列具有非线性、非平稳性的特征,研究一种基于小波分解（WD）、遗传算法（GA）和最小二乘支持向量机（LSSVM）的GPS可降水量短临预报方法。先采用小波分解将GPS可降水量时间序列分解成便于预报的低频分量和高频分量;然后利用遗传算法优化LSSVM参数,进而对各分量建立预报模型;再将各分量预报结果进行叠加重构得到最终预报结果。选取两组数据进行实验,并将预报结果分别与LSSVM和遗传小波神经网络（GA-WNN）预报结果进行对比。结果表明,该组合模型具有良好的泛化能力,可有效解决神经网络易陷于局部极小的问题,提高了全局预报精度。     

分数阶傅里叶变换联合支持向量机的建筑物变形预测

提出一种分数阶傅里叶变换(fractional Fourier transformation, FrFT)与支持向量机(support vector machine, SVM)相结合的建筑物变形组合预测模型。首先利用FrFT对变形时间序列进行多尺度分析,将复杂时间序列分解为一系列结构较为简单的子序列;然后利用SVM对每个子序列分别建立预测模型,通过将各个子序列的预测结果进行综合叠加,得到最终预测结果;同时考虑到SVM模型参数选择的难题,提出一种改进果蝇优化算法(improved fruit fly optimization algorithm, IFOA)对其进行全局寻优,提升预测性能。以西南地区某混凝土坝变形实测数据为例开展验证实验,结果表明,本文组合预测模型能够充分挖掘数据中隐含的趋势性和规律性信息,获得较高的预测精度。     

基于多尺度最小二乘支持向量机优化的克里金插值方法

克里金插值方法根据待估位置点、已知样本数据点的位置关系和区域化变量的空间相关性,实现空间加权估计,满足估计的无偏性和最优性。传统方法理论模型形状固定且选择具有人为主观性,无法反映空间数据的变化趋势及其空间多尺度特征。本文为解决上述问题,提出了一种基于多尺度最小二乘支持向量机优化的克里金插值方法,此方法为拟合实验变异函数提供了一种新的思路。从实际样本数据的变化趋势出发,采用最小二乘支持向量机拟合实验变异函数,并利用不同尺度小波核反映不同尺度下的空间变化。最后,实验环节包括模拟和应用,模拟主要验证经多尺度最小二乘支持向量机优化后插值方法的科学有效性以及准确性,应用主要研究青岛市PM_2.5浓度时空分布特征,为城市生态科学防护及控制提供理论依据。结果表明,基于多尺度最小二乘支持向量机优化的克里金插值方法能够更好地刻画变异函数,反映不同尺度下的空间变化细节,从而在一定程度上提高插值的精度,是一种可选的克里金插值方法。     

加权复合分位数自回归模型在隧道围岩变形预测中的应用

提出加权复合分位数自回归模型对隧道围岩变形进行预测的新方法,并给出其原理和实现算法。以昆明市阳宗隧道为例,对加权复合分位数自回归预测模型进行计算,并与其他模型进行对比分析。结果表明,新方法预测效果优于非加权复合分位数估值的AR(2)模型、基于最小二乘参数估计的自回归预测、经遗传算法优化的支持向量机等预测方法。     

基于相空间重构的FOA-GLSSVM深基坑变形预测模型研究

针对LSSVM模型参数选择的随机性与单一变量序列高维度重构参数选择的困难性,将相空间重构理论、果蝇优化算法引入LSSVM模型中,建立基于相空间重构的FOA-GLSSVM变形预测模型。为了验证提出模型的有效性与可靠性,结合具体工程实例与GLSSVM、支持向量机模型及最小二乘支持向量机模型进行对比研究。结果表明,提出的模型精度更好、稳定性更强。     

基于EEMD-样本熵和GM-SVM的钟差预报方法研究

提出一种基于集合经验模态分解、样本熵和灰色支持向量机相结合的卫星钟差预报方法。首先利用EEMD对钟差序列进行分解,然后采用样本熵对复杂度相似的分量进行叠加组合,进而对各新分量建立高频支持向量机和低频灰色GM(1,1)进行滚动式预报,最后叠加各预报结果得到钟差预报值。用IGS提供的钟差数据作实验,与灰色模型、支持向量机、遗传小波神经网络的多步预报进行对比分析。结果表明,该方法预报精度较高,对于较长时间的钟差预报也能保证较好的预报效果。     

基于ICEEMDAN与最小二乘的GNSS垂向序列噪声与非构造形变去除

通过完备总体经验模态分解(ICEEMDAN)与最小二乘法开展GNSS垂向序列的噪声与非构造形变去除研究。首先,采用ICEEMDAN方法对GPS垂向序列进行分解,分析GNSS垂向序列的年周期项、半年周期项和趋势项;然后,通过改进的小波阈值和排列熵值法对GNSS垂向序列进行降噪处理;最后,利用最小二乘法拟合非构造形变序列,找出与其最为接近的分解层数并进行改正,获得去除噪声和非构造形变的GNSS垂向形变信息。结果表明,利用ICEEMDAN方法可实现GNSS垂向序列噪声的有效去除;采用ICEEMDAN与最小二乘法可提高GNSS垂向序列形变测量精度,其中RMS值平均减小1.28 mm,WRMS差值平均增大0.33 mm。     

基于主成分分析的水淹层动态预测方法

针对高含水期水淹层变化的动态特性,提出一种基于主成分分析的最小二乘支持向量机水淹层动态预测方法.该方法应用数据挖掘方法与改进的支持向量机方法,研究高含水期水淹层的分类识别问题,找到测井参数曲线与水淹级别之间的非线性映射关系,建立适合高含水期水淹特征的动态识别模型.它不仅充分考虑各种影响因素,而且利用主成分分析法准确提取...     

EEMD-PSOGSVM耦合模型在深基坑位移预测中的应用

针对单一预测模型的不足,提出EEMD分解与粒子群灰色支持向量机（particle swarm optimization grey support vector machine,PSOGSVM）相结合的基坑位移预测模型。以基坑时间序列的混沌性为基础,利用EEMD分解时间序列,采用相空间重构技术构造样本,应用PSOGSVM模型进行基坑预测,并与GM(1,1)、SVM、遗传小波神经网络进行对比。结果表明,该算法预测精度好,具有良好的稳定性,可有效地应用于基坑位移预测。     

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解（LMD）及加权核函数相关向量机（RVM）算法,构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量,并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加,最终建立多尺度变形预测方法,并应用于大坝变形预测。实验结果表明,改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMD-RVM方法,证实了新方法的有效性及可靠性。
     

基于PSR-WSVM模型的边坡位移预测

为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。     

小波多分辨分析在变形分析中的应用

利用离散小波变换方法对变形观测序列进行分析 ,通过小波多分辨分析方法对变形观测数据进行分解和重构 ,有效地对误差进行了分离 ;在分析非线性形变算例中 ,小波变换得到的去噪后变形曲线与多项式回归法结果相比 ,克服了因选用不同模型拟合效果不同的主观影响 ,既能较好地反映局部变形特征 ,又能反映整体变形趋势。     

基于最小二乘配置法的优化GM（1,1）预测模型及其应用

针对灰色GM(1,1)预测模型预测结果精度低、模型缺乏稳定性的问题,基于最小二乘配置理论的GM（1,1)预测优化模型,首先通过使得生成序列新预测值的误差在最小二乘意义下最小,选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值;然后将优化的GM(1,1)模型和最小二乘配置理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建优化的灰色最小二乘配置预测模型;最后通过对建筑物的沉降数据进行定量分析与预报,与其他模型进行对比分析。     

基于小波变换与RBF神经网络的GNSS水汽值预测研究

利用小波变换与RBF神经网络方法预测河北省GNSS水汽值。首先对GNSS测站水汽序列进行小波分解,然后利用RBF神经网络对小波分解的高频与低频信号进行预测,最后通过实验选择合适的高频与低频信号结果重构获得GNSS水汽值预测值。以实测GNSS水汽值为标准,基于小波变换与RBF神经网络预测的GNSS水汽值精度高于单一RBF神经网络预测精度,但预测结果的精度随着预测时长的增加而降低。     

库岸滑坡地下水位时间序列混沌特征识别与PSO-LSSVM模型预测

地下水位预测对滑坡稳定性分析具有重要意义,三峡库区库岸滑坡地下水位时间序列在季节性强降雨和周期性库水位涨落等诸多因素影响下呈现混沌特征。在对地下水位序列进行相空间重构的基础上,采用饱和关联维数法和最大Lyapunov指数法对其混沌特征进行验证。再用预测性能优秀的最小二乘支持向量机(LSSVM)模型对其进行预测,并用粒子群算法优化选取LSSVM模型的参数,以克服LSSVM模型参数选取困难的缺点。以三峡库区三舟溪滑坡前缘STK-1水文孔日平均地下水位序列为例进行了混沌分析,分别运用粒子群优化的LSSVM模型(PSO-LSSVM)和BP神经网络模型对STK-1水文孔地下水位进行了预测。结果表明库岸滑坡地下水位序列存在混沌特征,PSO-LSSVM模型预测结果的均方根误差为0.193m,拟合优度为0.815,说明预测效果较理想,且PSO-LSSVM模型预测精度高于BP网络模型,具有较强的实用性。