基于AdaBoost组合学习方法的岩爆分类预测研究

针对岩爆等级划分问题,考虑了岩爆灾害发生的多种主要影响因素,采用新的数据挖掘方法AdaBoost（即Adaptive Boosting）的组合学习方法,结合流行的人工神经网络BP算法,构建了集成神经网络AdaBoost-ANN（简称AB-ANN）的岩爆等级多分类预测模型。该模型克服了单一弱分类器的不稳定性,提高了分类器精度,实验结果表明,预测的结果与实际值比较吻合,证明了该方法的可行性。     

基于模糊C-均值算法粗糙集理论的云模型在岩爆等级评价中的应用

岩爆等级评价具有模糊性和不确定性,而粗糙集理论的云模型对处理模糊性和不确定性问题具有独特优势,由此提出了基于模糊C均值（简称FCM）算法粗糙集的云模型理论在岩爆等级评价中的新模型。该模型选用岩石单轴抗压强度 、洞室围岩最大的切向应力 、岩石单轴抗拉强度 和岩石弹性能量指数Wet作为岩爆等级评价因子,依据岩爆分级标准计算各评价因子隶属于不同岩爆等级的云数字特征。同时,以国内外40例岩爆工程为研究对象,运用基于FCM算法的粗糙度理论进行因子属性重要性评价,计算各评价因子权重。根据正向正态云发生器,得到待评样本的综合确定度,由最大综合确定度判定岩爆级别。研究表明：该模型的评价结果与实际情况基本一致,具有一定的可行性,为岩爆预测提供了一种新的研究方法与思路。     

基于正态云模型的深埋地下工程岩爆烈度分级预测研究

岩爆是深埋地下工程开挖建设过程中常见的工程地质灾害,对其发生的可能性及其烈度分级预测一直是岩石地下工程的世界性难题。针对岩爆烈度评估过程中存在的模糊性和随机性问题,建立了基于德尔菲法和正态云的综合评判模型。在系统分析影响岩爆发生的相关因素的基础上,选取岩石单轴抗压强度与抗拉强度比σc/σt、切向应力与岩石单轴抗压强度比σθ/σc、岩石脆性指数Is和弹性变形能指数Wet构建评价指标体系,通过德尔菲科学方法确定其权重系数。基于云模型理论计算各评价因子隶属于岩爆级别的云数字特征,生成正态云滴,实现了岩爆烈度与评价指标值之间的不确定映射,保留了评估过程中的随机性。最后,利用国内外典型岩爆工程实例对所建模型进行检验,其判别结果与实际岩爆等级相符,且准确率高于功效系数法和集对分析理论,表明采用云模型对岩爆烈度进行预测是可行的、有效的。该模型具有较高的准确性和可靠性,能满足工程应用需要,在深埋地下工程岩爆预测中具有良好的工程应用前景。     

基于功效系数法的岩爆烈度分级预测研究

岩爆是高地应力区岩质隧道施工过程中经常发生的工程地质灾害,对其发生的可能性及其烈度分级预测一直是隧道工程世界性难题之一。基于功效系数法的基本原理,在综合考虑岩爆的关键影响因素基础上,选取?θ /?c 、?c /?t、Wet和Is作为评价因子,建立了一种新的岩爆烈度分级预测模型。利用国内外典型岩爆工程实例对所建模型进行检验,判别结果与实际岩爆等级相符,且与集对分析法和可拓方法判别结果基本一致,表明运用功效系数法对岩爆烈度进行预测是合理的、可行的。再运用功效系数法对苍岭隧道岩爆危险性进行判别,预测结果与实际情况一致,说明基于功效系数原理的岩爆预测新方法具有较高的准确性和可靠性,且简单、易懂、可操作性强,具有良好的工程应用前景。     

基于指标距离与不确定度量的岩爆云模型预测研究

岩爆灾害预测是一个需要迫切解决的世界性难题。针对其烈度等级预测过程中评价指标实测值的确定与不确定性、烈度分级的模糊性和随机性等特点,提出了一种基于指标距离与不确定度量的有限区间云模型岩爆烈度分级预测方法。在对岩爆发生机制进行系统性分析的基础上,建立了岩爆烈度分级预测的评价指标体系,并对各指标实测值赋予其相应的Mass函数,依据指标间距离与不确定性度量获取指标权值,对传统云模型加以修正,并计算出各判别因子隶属于各等级的云特征参数,生成相应的云滴图,实现了语意变量与指标值之间的不确定性和随机性映射。通过对各指标的确定度进行加权实现岩爆烈度的分级。与其他理论相对比分析结果表明,该模型一定程度上应用于岩爆烈度分级预测是行之有效的,具有较高的实用性和指导性,并为其他同类型问题提供了新思路。     

工程岩爆灾害判别的RBF-AR耦合模型

岩爆是深部高地应力区地下岩体工程中的主要工程地质灾害之一,其发生及烈度预测是一个复杂的不确定系统问题。为了有效预测和判别深部工程岩爆灾害,在总体考虑岩爆各影响因素的基础上,选取地下工程中岩体完整性指数、岩石单轴抗压强度、岩石单轴抗拉强度、围岩最大切向应力、围岩抗压强度与其抗拉强度的比值、围岩切向应力与围岩抗压强度比值、弹性能量指数、岩爆倾向性指数作为岩爆预测的评判指标,提出了一种基于非线性参数优化的RBF-AR岩爆预测模型。在终南山隧道竖井岩爆判别中,利用RBF-AR法进行计算,计算结果与实际情况完全一致,表明该模型在岩爆预测中的可行性和有效性。     

基于熵权-正态云模型的岩爆烈度分级预测研究

岩爆是深埋地下工程主要的工程地质灾害之一,其烈度分级预测是必须解决的岩石工程重大问题。针对岩爆烈度分级的不确定性,选取岩石单轴抗压强度与抗拉强度比σ_c/σ_t、切向应力与岩石单轴抗压强度比σ_θ/σ_c、弹性变形能指数Wet和岩石完整性系数K_v等定量化指标建立评价指标体系,应用熵权法确定各评价指标权重,结合云理论建立了岩爆烈度分级预测的熵权-正态云模型。以国内外12组典型岩爆工程实例对所建模型进行检验,并与逼近理想解法、高斯径向基函数法的判别结果及实际情况进行对比。为进一步考察该模型的有效性和实用性,利用该模型对终南山公路隧道工程竖井的岩爆实例进行分析。研究结果显示,基于熵权-正态云模型的岩爆判别预测结果与实际岩爆情况较吻合,表明熵权-正态云模型在研究岩爆烈度分级预测中具有良好的实用性和可靠性,可为深部地下工程岩爆烈度分级预测提供一种新思路。     

深埋高地应力隧道勘察期岩爆烈度概率分级预测

岩爆是地下工程开挖过程中硬质岩体存储的弹性应变能突然、迅速释放的动态过程。我国西南山区正在建设或拟建大量深埋长大隧道,勘察阶段岩爆的准确预测对有效设计和控制投资十分重要。从隧道工程勘察阶段线路比选与设计需求出发,针对隧道勘查期岩爆灾害预测指标获取难、预测精度低的问题,以该阶段岩爆预测指标的易获取性为前提,利用贝叶斯网络解决不确定性问题的有效性来反映岩爆烈度与各影响因素的相关关系。基于473组岩爆灾害案例,采用4个预测指标（地应力、地质构造、围岩级别和岩石强度）来构建岩爆烈度朴素贝叶斯概率分级预测模型,利用十折交叉验证方法确定模型预测精度达84.47%。将该模型应用于雅安—叶城高速公路跑马山1号隧道岩爆段落,预测结果显示:28次岩爆预测中有24次正确、4次错误,准确率高达85.71%;其中2组错误预测中,现场判别为轻微-中等岩爆,而本文模型预测为轻微岩爆。验证结果表明所建立的贝叶斯网络模型具有良好的预测性能,研究成果可为我国西南山区深埋长大硬岩隧道勘察设计期岩爆灾害预测提供技术支撑。     

基于支持向量机的水库诱发地震分析

将诱发水库地震的主要因素（岩性、岩体完整性、断层性质、库区区域应力状态、库区地震活动背景）划分为11个因子,并进行定量化;再根据每个样本到所属类内超平面的距离计算每个样本点的模糊因子,确定其对分类超平面影响大小;然后建立水库地震的支持向量机（SVM）和模糊支持向量机（FSVM）模型,并应用于水库诱发地震等级预测。实例分析表明,两种模型均可用于水库诱发地震等级预测,具有预测精度较高、考虑因素全面的特点,相比之下SVM模型预测结果略优于FSVM模型。另外,在应用SVM和FSVM进行分类时,如果样本离散性较高,则SVM模型优于FSVM模型;相反,如果样本离散性较低,则FSVM模型优于SVM模型。     

基于AE时间序列的岩爆预测模型

根据现场岩爆监测中声发射（AE）时间序列的特点,采用小波神经网络与突变理论,建立了一种新的岩爆预测模型。该模型首先针对监测到的声发射建立小波神经网络模型,对声发射时间序列进行了拟合与预测;再运用突变理论对预测的声发射建立了岩爆突变预测模型。通过实例分析表明,声发射的预测精度较高,岩爆预测结果与现场情况一致,证明了该模型工程实用性较强。     

岩爆等级判定的距离判别分析方法及应用

将距离判别分析方法应用于岩爆等级判定问题。选用洞室围岩最大的切向应力σθ、岩石单轴抗压强度σc、抗拉强度σt、岩石弹性能量指数Wet作为岩爆等级判定的距离判别分析模型判别因子,以工程中实际岩爆情况及数据作为训练样本,进行分析计算,建立岩爆等级判定的距离判别分析模型。运用该分析模型对国内外工程实际岩爆情况进行判定,判别结果与工程实际完全相符。将该模型应用到诸（暨）永（嘉）高速公路括苍山隧道工程的岩爆情况预测中,判别结果与实际情况相符。研究表明,岩爆等级判定的距离判别分析方法,判别能力强,误判率低,是解决岩爆等级判定的一条有效途径。     

基于ICA-SVM的超长大直径钢管桩承载力预测

基于支持向量机（SVM）和独立分量分析（ICA）建立了超长大直径钢管桩极限承载力的预测模型。先采用独立分量分析FastICA算法从实际工程的超长大直径钢管桩试桩的实测数据样本中抽取相互独立的分量,这些分量不仅去除了相关性,还保持统计独立,并服从非高斯分布,能更好地表现数据间的本质结构;然后,确定支持向量机作为分类器,以抽取的独立分量作为支持向量机模型的输入参数,建立超长大直径钢管桩的承载力预测模型ICASVM_Q;最后,采用某大桥的工程数据对预测模型进行测试。结果表明,ICASVM_Q的预测效果明显优于以原始数据作为支持向量机模型输入的SVM_Q模型的预测效果。可见,采用将独立分量分析与支持向量机相结合的方法建模预测超长大直径钢管桩的承载力是可行的,ICASVM_Q模型的预测结果可用于超长大直径钢管桩承载力的设计参考,具有一定的工程应用价值。这种方法还可以用于其他领域的智能预测研究中。     

基于粗糙集理论的遗传-RBF神经网络在岩爆预测中的应用

岩爆发生机制复杂,影响因素较多,通过粗糙集理论中的属性约简和条件属性重要性评价,确定特定地质条件下岩爆的主要影响因素,删除冗余数据。使用遗传算法(GA)优化径向基函数（radial basis function,简称RBF）神经网络参数,通过RBF神经网络隐层单元将低维模式输入变换到高维空间内,拟合影响因子和岩爆等级之间的非线性映射关系,建立基于粗糙集理论的遗传-RBF神经网络岩爆预测模型,目前未见其在地下洞室岩爆预测中应用。在根据工程实际情况选取多个理论判据的基础上,将建立的预测模型应用于实际工程的岩爆预测问题,并与实际岩爆发生情况进行对比分析。结果证明,该方法的评价结果与实际情况较为吻合,对后期施工有较好的指导作用。     

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。     

多隐层BP神经网络模型在径流预测中的应用

基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势.     

基于ACO-SVM的TBM引水隧洞锚杆轴力预测研究

预测隧道锚杆轴力变化趋势，不仅能掌握隧道结构的安全状况，而且对隧道风险预警和应急响应至关重要。基于新疆YEGS输水工程喀双隧洞锚杆轴力监测数据，通过蚁群算法（ACO）和粒子群算法（PSO）优化支持向量机（SVM）模型，预测分析锚杆轴力的变化趋势，研究表明：相比PSO-SVM和传统的SVM预测模型，ACO-SVM预测模型在充分考虑隧道埋深、温度及作用时间等多项非线性影响因素后，求解的预测值与实测值更加接近，相对误差基本在15%以内，平均绝对百分误差仅为5.92，具有较好的鲁棒性，模型的稳定性和泛化能力更强，更加适合TBM隧道锚杆轴力变化趋势的预测分析，具有一定的工程应用和推广价值。     

基于激光诱导击穿光谱技术的岩石表面指纹图谱分析及分类方法

岩石岩性识别在油气田探测开发、研究地球成因及演化发展、地质灾害分析预测等众多方面起着不可替代的导向作用,因此岩石的识别分类对于地质勘探分析来说至关重要。为了提高岩石的分类准确率,提出了一种基于激光诱导击穿光谱技术(LIBS)的岩石表面指纹图谱分析及分类方法。通过LIBS对岩石表面不同位置进行激发,获取原始光谱数据。对收集到的光谱数据进行去除异常点、归一化等预处理操作,根据岩石矿物成分确定五种含量差异较大元素(硅、铝、钾、钠、镁)的特征谱线并得到元素指纹图谱。然后选择支持向量机(SVM)作为分类器进行分类,分别建立利用光谱均值的分类模型和多维指纹图谱融合的分类模型,并对两种分类结果进行比较。利用光谱均值的分类模型准确率为59. 4%,多维指纹图谱融合的模型分类准确率为96. 5%。实验结果表明,元素指纹图谱展示了岩石表面元素分布,可以充分利用不同种类岩石本身的不均匀性结构信息,极大地提高了岩石的分类准确率。     

新型混合重取样算法在岩爆预测中的应用

针对岩爆现象发生的不均衡及发生机理受多因素影响的问题,在分析重取样技术的基础上,设计并实现了自适应选择近邻的混合重取样算法,并将其用于岩爆危险性预测.该方法结合过取样和欠取样方法的优势,改进了SMOTE过取样算法在产生合成样本过程中存在的盲目性及只能复制生成数值属性的问题,新算法能根据实例样本集内部分布的真实特性,自适应调整近邻选择策略,对不同属性的数据采取不同的复制方法生成新的少数类实例,控制和提高合成样本的质量;并通过对合成之后的数据集,用改进的邻域清理方法进行适当程度欠取样,去掉多数类中的冗余实例和边界上的噪音数据,减少其规模,在一定程度上达到相对均衡,从而,可有效地处理非均衡数据分类问题,提高分类器的性能.该算法在VCR采场岩爆实例上进行实验,预测的结果与实际情况完全一致,表明在工程实例岩爆危险性实例数据非均衡情况下实施混合重取样方案是可行的,预测准确率高,具有良好的工程应用前景.采用该方法可找到岩爆发生的主控因素,为深部开采工程的合理设计与安全施工提供科学依据.      

基于SVM的冲击地压分级预测模型及R语言实现

采场冲击地压的分级预测对保障矿山安全具有重要的意义。在综合考虑采场冲击地压等级判别的各类影响因素之后,引入支持向量机理论,建立了采场冲击地压等级判别的SVM模型。通过借助R语言实现了分层随机抽样的技术,保证了训练集与测试集样本数据的随机性和差异性。研究表明:基于SVM理论的采场冲击地压分级预测模型,可靠性强、预测准确率高。同时,采场冲击地压分级预测模型程序化语言的实现,对保障工程后期的研究预测的可持续性具有重大的意义。     

基于支持向量机的遥感图像建筑物识别与分类方法研究

高分辨率遥感影像可以更精细地描述地物目标的几何特征、空间特征和纹理特征等信息,在各个领域中都得到广泛的应用。建筑物作为地物信息分类中的主要部分,是地形图成图的主要组成元素,对建筑物的识别与提取,直接影响到地物测绘的自动化水平,对它的识别和定位可以为特征提取、特征匹配、图像理解、制图和作为其他目标的参照体有重要的意义。针对建筑物的遥感影像特征,研究了支持向量机分类器(SVM)在建筑物识别与分类中的应用,提出了一种交叉验证的方法对参数敏感度进行分析,通过使用GridSearch算法确定模型参数设置的最优方案,并对分类结果中建筑物进行轮廓提取。通过实验表明,优化后的SVM算法对建筑物的分类精度达到90%,对比随机森林算法、最近邻分类器优势非常明显。