地震多属性综合解释的支持向量机方法研究

能够同时对多种属性进行训练,具有优秀推广能力的支持向量机(Support Vector Machine,简称SVM)方法是进行高精度地震参数预测的有力保障。然而,支持向量机中用于构建回归估计函数的参数最优解很难确定。针对该问题,通过建立数学模型进行参数选择研究,总结出了参数ε、C、σ2对样本预测的影响规律。在此基础上提出了求取惩罚因子C和核参数σ2的权系数公式。结合提出的参数求取公式,利用支持向量机方法,以地震属性为输入向量对渤海SZ36-1油田的砂泥岩百分比和孔隙度进行了预测。结果表明,利用该方法对储层参数进行预测具有较高的预测精度;权系数公式的提出极大地缩短了构建回归估计函数所耗用的时间,简化了参数选取的难度。     

基于支持向量机分类算法的湖泊水质评价研究

支持向量机（SVM）是由Vapnik等人提出的建立在统计学习理论基础上的一种小样本机器学习方法,最初用于解决二分类问题。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度。利用支持向量机多类分类算法,构建湖泊水环境评价模型。实验结果表明,该方法能够正确地对湖泊水环境质量进行分类评价。     

支持向量机在水淹层测井识别中的应用

支持向量机(SVM)算法是特别适合于用有限已知样本训练建模,进而预报未知样本属性的模式识别新算法。笔者尝试将Vapnik提出的支持向量机算法用于水淹层测井识别。总结了P油田水淹层的声波时差、自然电位、深感应电阻率、中感应电阻率及密度测井曲线与水淹程度的对应关系,建立了基于支持向量分类机的识别模型,并将上述参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练。对于P油田水淹层的实际预测结果表明:支持向量机可以成为一种用于水淹层识别的有效工具。     

基于支持向量机的围岩定性智能分级研究

本文将数据挖掘的新方法支持向量机应用于隧道围岩分级.支持向量机是一种基于统计学习理论的新的学习算法,比神经网络算法能更好地解决小样本问题.选用岩层厚度、岩体结构、嵌合程度、风化程度、地下水特征、节理发育程度、榔头敲击声和地应力等 8 个定性指标作为评判因子,用泥巴山隧道采集的实际数据作为样本对不同核函数的支持向量机进行...     

喀斯特地区遥感影像解译新算法——支持向量机算法

现行的遥感影像解译方法有监督分类和非监督分类。在监督分类中有平行算法,最小距离算法、最大似然算法等,而支持向量机是监督分类中的一种新的算法。本研究选择贵阳市花溪区小碧乡局部地区为研究对象,采用SPOT数据,分别运用最大似然算法和支持向量机算法对研究区遥感影像进行解译。通过建立混淆矩阵,来计算分类精度和Kappa系数。结果表明:支持向量机具有分类精度高,分类图斑完整等优点;但在时间的消耗上,支持向量机算法要比最大似然算法长。对于这两种算法而言,都存在地物光谱特征明显相异的地物易于区别,光谱相似的地物容易造成错分的现象,然而支持向量机分类精度要比最大似然分类精度高一些。支持向量机对样本数量具有敏感性,样本数量过多将导致运算时间过长。因此在实际运用中应根据实际情况,选择适合的算法。      

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。     

支持向量机方法在膨胀土分类中的应用

将支持向量机方法应用于膨胀土分类问题中,建立了膨胀土分类的支持向量机模型。以膨胀土实测数据为学习样本,经过训练,得到膨胀土的分类区间。应用该模型对剩余的膨胀土数据进行预测,预测结果表明支持向量机分类模型性能良好、预测精度高、简便易行,是膨胀土判别的一种有效方法,具有广阔的应用前景。     

支持向量回归机在滑坡安全可靠度评价中的应用研究

探讨支持向量机的参数优化方法,将学习能力较强的支持向量机引入滑坡可靠度评价当中,并根据数理统计的理论,对滑坡稳定性敏感性因素作数据处理,并证明其合理性,在此基础上提出一种改进的可靠度指标的计算方法。为便于对比,分别选取49个学习样本和121个学习样本两种计算模型,计算实例表明,这两种计算模型与蒙特卡洛模型计算结果非常接近,充分体现了在小样本的情形下支持向量机的优势,说明将其应用于滑坡安全可靠度评价中是可行的。     

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...     

支持向量机在砂土液化预测中的应用研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法——支持向量机算法。根据支持向量机线性分类和可以具有不同核函数的非线性分类两种算法，建立了砂土液化预测模型，并且运用Matlab语言编写了程序。通过试算和分析比较得到了最佳模型，最佳模型的预测结果与实际液化情况基本上一致。认为支持向量机算法无论在学习或者预测精度方面都有很大的优越性，而基于支持向量机理论建立的砂土液化预测模型是可行的，且可以较为准确地实现砂土液化的预测。     

基于成矿条件数值模拟和支持向量机算法的深部成矿预测——以粤北凡口铅锌矿为例

随着计算机科学和地质大数据技术的迅猛发展,数值模拟和机器学习已成为当今地学领域定量发展的重要前沿方向。数值模拟综合运用了研究区地质、构造、地球物理、地球化学等多源信息,将成矿条件与过程进行量化模拟分析,对研究成矿动力学演化过程及成矿响应有重要意义,可对已有成矿要素/信息在时空上进行扩展/外推,扩大了成矿预测信息的广度和深度,为解决深部成矿预测中获取深部信息难题提供了一种可能的有效途径。支持向量机是一种重要的机器学习分类算法,它具有简洁、方便、高效和计算结果较稳定等特点,在众多领域中得以成功应用,是成矿预测中多源信息提取与融合的一种可靠的技术手段。为了充分利用数值模拟与机器学习的优势,本文提出将计算机数值模拟方法和机器学习(即支持向量机算法)相结合来进行深部成矿预测的新方法。以粤北凡口超大型铅锌矿为例,首先,对凡口矿区勘探线剖面进行构造应力场模拟;进而,以已知钻孔数据作为训练集和测试集,运用支持向量机算法对模拟结果中的不同参量(也即模拟所得的成矿条件)进行训练学习;最后,建立相应的定量找矿预测模型对研究区(或剖面)外围和深部找矿进行预测评价。研究结果表明,本文所建立的预测模型精确度和召回率都较好,预测结果显示出了三个成矿可能较大的区域,说明数值模拟技术和机器学习算法结合应用的效果较好。这种新的成矿预测方法为深部找矿预测提供了一种可行的新思路和新途径,可以有效地拓展运用到其他矿区、其他类型矿床的深部找矿预测工作中。     

基于组合核函数的高斯过程边坡角智能设计

高斯过程(GP)是近年来发展迅速的一种全新学习机。与支持向量机(SVM)相比,该方法有着容易实现、超参数可自适应获取及预测输出具有概率意义等优点。结合边坡工程中的边坡角设计,编写了在多种因素影响下边坡角设计的GP程序,为克服单一核函数预测精度和网络泛化能力差的缺点,采用单一核函数相加作为GP的组合核函数,将自动关联性测定参数（ARD）引入其中,建立了关于超参数的GP回归网络模型,使用共轭梯度下降算法导出最优超参数,用ARD超参数进行输入属性相关性分析和特征选取,并以此网络对测试样本进行学习预测,结合支持向量回归方法给出了在回归问题上的应用和对比分析。结果表明：在边坡角智能设计应用中,采用组合核函数的GPR网络ARD参数具有明确的物理意义,预测回归性能优于SVM,且预测输出的概率解释能更好的体现预测值的代表性,为边坡角设计开辟新径。     

极限学习机模型在季冻区深基坑地表沉降预测中的应用

针对传统数据驱动模型存在收敛速度慢、过度拟合等问题,提出了基于极限学习机算法的基坑地表沉降预测方法。结合季冻区地铁车站基坑的特点,提取基坑开挖时间、开挖深度、围护桩顶位移、围护桩内力、支撑轴力及地表温度等特征信息,建立极限学习机回归预测模型,选用实例数据进行算例分析,并将其与传统回归预测模型进行对比,实验结果表明,极限学习机模型收敛速度快,泛化能力强,其预测精度优于传统预测模型,且在学习速度方面优势明显,对深基坑安全监控有一定的实用价值。     

Multiple step ahead river flow modelling for south east tasmanian aquaculture

We develop multiple step ahead prediction models of river flow for locations in Tasmania (Australia) for decision support in aquaculture. In predicting river flows for multiple days ahead, we first statistically determine the maximum input lags of rainfall and river flow. We then use machine learning techniques in building models. In multiple step ahead prediction, we consider both static and dynamic approaches. In dynamic approach, one day prediction is served as input to two days ahead prediction. The experimental results demonstrate that, in general, a dynamic approach provides better accuracy in multiple day’s ahead prediction. For Duck Bay location using dynamic approach, support vector regression performs best over linear regression, M5P and multilayer perceptron. However, at Montagu Bay location, we find that M5P performs best over methods. We find that multiple step ahead prediction of river flow for each location requires modelling of lags with associated machine learning techniques.     

基于时间序列与人工蜂群支持向量机的滑坡位移预测研究

总结以往滑坡预测方法存在的诸多不足,针对滑坡监测位移-时间曲线特点,本文提出了一种基于时间序列的人工蜂群算法（ABC）与支持向量回归机（SVR）相结合的滑坡位移预测方法。以三峡库区白水河滑坡为例,通过对滑坡位移、降雨、库水位等因素的分析,研究影响滑坡位移变化的因素。用时间序列加法模型和移动平均法将滑坡位移分解为趋势项和周期项。以多项式最小二乘法拟合滑坡位移趋势项,用人工蜂群支持向量机模型对滑坡位移周期项进行训练和预测。通过灰色系统关联分析法计算多项因子与滑坡位移周期项之间的关联性。最终的滑坡总位移预测值为周期项预测值与趋势项预测值之和。与BP神经网络、PSO-SVR模型方法相比,该方法在滑坡位移预测中有更高的精度,在防灾减灾工作中有较好的推广应用前景。     

天津市近海水质预测方法研究

针对中国近海水质污染呈现的年周期性和自相似性特点,通过对分形理论的研究,提出了一种新的完全基于环境监测数据的近海水质污染变化的分形预测方法。以天津市近岸海域为例,根据分形拼贴定理,由基于仿射变换的分形插值方法求取各历史时间阶段水质变化的迭代函数系,根据近海水质变化的年周期性,对上述求得的迭代函数系加权求和,得到预测年份水质变化的统计意义上的迭代函数系,建立分形预测模型,应用随机迭代算法求得预测年份水质变化曲线的吸引子,对近海水质进行预测,预测结果显示枯水期、丰水期、平水期的平均预测误差分别为29.6%、27.5%、16.1%,3个水期的平均预测误差为24.4%。应用表明,该方法预测精度较高、实用性强,能够为近海水环境管理提供决策支持。     

A hybrid ensemble method for improved prediction of slope stability

Accurate prediction of slope stability is a significant issue in geomechanics with many artificial intelligence (AI) techniques being utilised. However, the application of AI has not reached its full potential because of the lack of more robust algorithms. In this paper, we proposed a hybrid ensemble method for the improved prediction of slope stability using classifier ensembles and genetic algorithm. Gaussian process classification, quadratic discriminant analysis, support vector machine, artificial neural networks, adaptive boosted decision trees, and k‐nearest neighbours were chosen to be individual AI techniques, and the weighted majority voting was used as the combination method. Validation method was chosen to be the 10‐fold cross‐validation, and performance measures were selected to be the accuracy, the receiver operating characteristic curve, and the area under the receiver operating characteristic curve (AUC). Grid search and genetic algorithm were used for the hyperparameter tuning and weight tuning respectively. The results show that the proposed hybrid ensemble method has great potential in improving the prediction of slope stability. Compared with individual classifiers, the optimum ensemble classifier achieved the highest AUC value (0.943) and the highest accuracy (0.902) on the testing set, denoting that the predictive performance has been improved. The optimum ensemble classifier with the Youden's cut‐off was recommended for slope stability prediction with respect to the AUC value, the accuracy, the true positive rate, and the true negative rate. This research indicates that the use of the classifier ensembles, rather than the search for the ideal individual classifiers, might help for the slope stability prediction.