基于灰色最小二乘支持向量机的边坡位移预测

利用边坡实测位移序列预测边坡未来时间的位移,可以有效地判断边坡的稳定性。在分析了灰色预测方法和最小二乘支持向量机各自的优缺点的基础上,提出了将二者相结合的一种新的预测模型--灰色最小二乘支持向量机预测模型。新模型既发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,又充分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,避免了灰色预测方法及模型存在的理论缺陷。同时,采用遗传算法进行了模型的参数优化,通过2个工程实例说明灰色最小二乘支持向量机模型预测边坡位移的有效性,具有较高的精度。     

基于最小二乘支持向量机的黄土湿陷性预测挖掘

运用数据挖掘技术进行了黄土湿陷性的预测挖掘,挖掘模型采用最小二乘支持向量机。建模过程中用主成份分析法进行数据的预处理,以剔除指标间的相关性,消除多指标信息冗余对挖掘模型的影响,并引入粒子群优化算法进行模型反演分析,确定最优参数。针对实际工程数据进行的预测挖掘表明：黄土的电阻率、剪切波速与土的结构特性、含水率、密度等指标密切相关,可较为全面地反映影响黄土湿陷性的因素;以电阻率、剪切波速及土层埋深作为模型的预测变量就可定量预测黄土的湿陷性;用所建模型和预测变量来预测黄土的湿陷性是可行的。     

基于蚁群优化最小二乘支持向量机模型的边坡稳定性分析

边坡稳定性与其影响因素之间存在着复杂的非线性关系。通过分析影响边坡稳定性的主要因素,采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,考虑到支持向量机参数对预测效果的影响,采用连续蚁群算法对其进行优化选择,从而提出边坡稳定性预测的蚁群优化支持向量机模型。锦屏一级右岸拱肩槽部位谷坡为顺向坡,绝大部分基岩裸露,自然边坡为大理岩边坡,现状稳定。结合锦屏一级右岸拱肩槽边坡,采用蚁群优化支持向量机模型对其稳定性进行预测分析,预测结果与实际情况吻合较好,说明蚁群优化支持向量机模型在边坡稳定性分析中具有良好的实际应用价值。     

基于经验模态分解和加权最小二乘支持向量机的采空区地面塌陷预测

根据采空区路面塌陷数据的特性,提出了基于经验模态分解（EMD）和加权最小二乘支持向量机（WLS-SVM）预测采空区地面塌陷的新方法,并将其应用于吉林省长平高速公路因刘房子煤矿开采而引起的塌陷预测中。对实测的塌陷数据首先利用三次样条插值得到平滑的信号曲线,然后用EMD对插值后的信号进行时空滤波降噪处理,得到反映塌陷趋势的剩余分量,最后将其馈入到WLS-SVM模型完成预测。预测给出了采空区塌陷的中长期预测结果,得到塌陷区的最终塌陷值为174.34 cm,预测结果与实际监测数据平均偏差约1.06%。对长平高速公路下伏采空区段的实测数据进行分析,并与最小二乘支持向量机（LS-SVM）和BP神经网络预测结果进行了对比。结果表明:基于EMD和WLS-SRM的采空区地面塌陷预测方法具有更高的预测精度和广泛的适用性。     

基于最小二乘支持向量机测井识别火山岩类型:以辽河盆地中基性火山岩为例

最小二乘支持向量机是在统计学习理论基础上发展起来的模式识别方法。与传统统计学相比,它能有效解决有限样本、非线性、高维数模型的建立问题,而且建立的模型具有很好的预测性能。岩性识别本质是解决分类问题,本文基于最小二乘支持向量机解决分类问题的优势,首先用GR、CNL、DEN、AC、R_LLD等常规测井曲线数据建立样本空间;然后通过耦合模拟退火和交叉验证的方法寻找最佳参数,优化最小二乘支持向量机分类器;最后建立了最小二乘支持向量机岩性识别模型。通过取心段岩心描述和岩心/岩屑薄片鉴定,确定辽河盆地40口井315 m井段2 520个岩性样品作为训练样本,建立岩性识别标准。对8口井13 866 m井段110 928个火山岩数据采样点进行测井识别,可识别致密玄武岩、气孔玄武岩、粗面岩等8种主要火山岩类型。识别结果与8口测试井中316个有取心段岩心描述和岩心/岩屑薄片的精确岩矿定名对比,符合率达到75.2%,与以往测井识别复杂火山岩岩性相比,在识别准确率和效率上都有明显提高。     

依据支持向量机评价绥满国道主干线某段边坡稳定性

边坡稳定性影响因素和破坏机制复杂,很难用确定的数学模型或力学模型来精确描述,试采用支持向量机进行边坡稳定性评价,选择学习样本,进行学习训练,得到准确率较高的模型,并将该模型应用于绥满国道主干线某段边坡稳定性评价,其结果与专家评价结果基本一致,并符合实际调查情况。     

岩质边坡稳定性评价的粗糙集－支持向量机方法

结合粗糙集和支持向量机两种智能算法,建立了基于粗糙集与支持向量机的岩质边坡稳定性评价模型。首先根据有限的经验数据建立属性决策表,通过属性约算法找出影响边坡稳定性的关键因素;然后将所提取的关键信息训练支持向量机。本文以铁路沿线边坡为例,进行边坡稳定性验算,结果表明算法能有效降低边坡稳定性影响因素集数据维数及支持向量机的复杂程度,提高训练速度和泛化能力。     

基于最小二乘支持向量机的龙羊峡径流预测

本文简述了支持向量的回归分析、支持向量机自回归预测模型结构及预测方法,利用黄河唐乃亥站47年的径流资料,采用最小二乘支持向量机方法对径流进行了模拟预测,并与B-P神经网络方法进行了对比分析,其计算结果相对略好。     

基于最小二乘支持向量机的开都河径流预测

简述支持向量的回归分析,支持向量机自回归预测模型结构及预测方法,利用开都河大山口水文站52 a的径流资料,采用最小二乘支持向量机方法对径流进行模拟预测,并与BP神经网络方法进行对比分析,其计算结果相对略好。     

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。     

基于小波变换和GALSSVM的边坡位移预测

边坡变形是一个受多种因素综合作用的复杂非线性动力学演化过程,用现有的物理模型来解决边坡变形的预测问题有很大难度。大量的研究工作表明,用实测的边坡位移时间序列来预测边坡未来变形更为准确,而将多种方法组合起来进行预测成为研究的主要趋势。在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。首先利用小波变换将边坡时间序列分解为低频分量和高频分量,然后利用互信息法和伪近邻法得到各分量的时间延迟和嵌入维数并进行相空间重构,再根据各个相空间的特点建立相应的GALSSVM预测模型,最后把各分量的预测结果进行小波重构,重构后的结果即为最终的边坡位移预测结果。对丹巴滑坡预测研究表明,这种新的预测模型具有较高的预测精度,可以应用于实际工程     

福宁高速公路八尺门滑坡变形演化规律预测研究

将进化支持向量机方法用于边坡变形规律的研究,用遗传算法搜索支持向量机最优参数,避免了人为选择支持向量机参数的盲目性,提高了支持向量机的推广预测能力。利用这种方法预测边坡变形规律,并与监测到的历史数据进行对比,以便工程技术人员及时调整设计方案和施工,维护边坡的稳定性。工程实例表明,该方法具有预测精度高和实时性等特点,具有广阔的应用前景。     

Site characterization model using least‐square support vector machine and relevance vector machine based on corrected SPT data (Nc)

Statistical learning algorithms provide a viable framework for geotechnical engineering modeling. This paper describes two statistical learning algorithms applied for site characterization modeling based on standard penetration test (SPT) data. More than 2700 field SPT values (N) have been collected from 766 boreholes spread over an area of 220 sqkm area in Bangalore. To get N corrected value (N_c), N values have been corrected (N_c) for different parameters such as overburden stress, size of borehole, type of sampler, length of connecting rod, etc. In three‐dimensional site characterization model, the function N_c=N_c (X, Y, Z), where X, Y and Z are the coordinates of a point corresponding to N_c value, is to be approximated in which N_c value at any half‐space point in Bangalore can be determined. The first algorithm uses least‐square support vector machine (LSSVM), which is related to a ridge regression type of support vector machine. The second algorithm uses relevance vector machine (RVM), which combines the strengths of kernel‐based methods and Bayesian theory to establish the relationships between a set of input vectors and a desired output. The paper also presents the comparative study between the developed LSSVM and RVM model for site characterization. Copyright © 2009 John Wiley & Sons, Ltd.     

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.     

Determination of liquefaction susceptibility of soil: a least square support vector machine approach

This article adopts least square support vector machine (LSSVM) for determination of liquefactions susceptibility of soil based on standard penetration test data. Two models (Models I and II) have been developed. For Model I, input variables are cyclic stress ratio and standard penetration test value (N). Model II employs peak ground acceleration and N as input variables. The developed LSSVM models (Models I and II) give equations for determination of liquefaction susceptibility of soil. The performances of Models I and II are the same. The developed LSSVM gives probabilistic output. The results of LSSVM have been compared with the artificial neural network model. This article shows that N and the peak ground acceleration are sufficient input parameters for determination of liquefaction susceptibility of soil. Copyright © 2012 John Wiley & Sons, Ltd.     

Least‐square support vector machine applied to settlement of shallow foundations on cohesionless soils

This paper examines the potential of least‐square support vector machine (LSVVM) in the prediction of settlement of shallow foundation on cohesionless soil. In LSSVM, Vapnik's ε‐insensitive loss function has been replaced by a cost function that corresponds to a form of ridge regression. The LSSVM involves equality instead of inequality constraints and works with a least‐squares cost function. The five input variables used for the LSSVM for the prediction of settlement are footing width (B), footing length (L), footing net applied pressure (P), average standard penetration test value (N) and footing embedment depth (d). Comparison between LSSVM and some of the traditional interpretation methods are also presented. LSSVM has been used to compute error bar. The results presented in this paper clearly highlight that the LSSVM is a robust tool for prediction of settlement of shallow foundation on cohesionless soil. Copyright © 2008 John Wiley & Sons, Ltd.     

基于BA-LSSVM模型的黄土滑坡致灾范围预测

滑坡致灾范围的预测研究一直是滑坡研究的重点难点之一。以陕西泾阳南塬滑坡为研究对象,选取滑坡高度、体积、滑源区长度以及宽度为影响因子,采用蝙蝠算法对最小二乘支持向量机中的正则化参数γ和σ₂进行寻优计算,建立BA-LSSVM滑坡致灾范围预测模型,并于多元线性回归模型进行对比。结果表明,该模型具有较高的预测精度和效果,可作为该地区防灾减灾依据。     

基于GA-SVR的渗透系数参数反演方法

渗透系数参数反演的本质是优化问题求解,遗传算法是一种基于自然选择和群体遗传机理的新的全局优化求解方法,可以较好地用于求解诸如渗透系数参数反演等复杂非线性组合优化问题。基于结构风险最小化原理的支持向量机具有逼近复杂非线性系统、较强的学习泛化能力,可以用来计算渗透系数参数反演过程中的测点水头值。实验表明,基于遗传算法-支持向量回归机的地下水渗透系统参数反演拟合效果良好,能大大提升区间搜索效率,避免出现局部最优解,其参数识别精度符合实际应用要求。